【Python】gzipされたXMLをlxml.etree.iterparseする

大した話じゃないけど，日本語の記事が見当たらなかったので一応．

問題

lxml.etree.parseは***.xml.gzをそのまま読み込めるのに，lxml.etree.iterparseは読み込めない．

parse.py

from lxml import etree
path = 'dataset/sample/sample.xml.gz'
tree = etree.parse(path)
print(tree.find('//PMID').text)

>> 1

iterparse.py

from lxml import etree
path = 'dataset/sample/sample.xml.gz'
tree = etree.iterparse(path)
print(list(tree)[0][1].text)

>> lxml.etree.XMLSyntaxError: Document is empty, line 1, column 1

ちなみにpathを解凍したsample.xmlにすると，iterparseでも 1 が出力されます．（当然）

解決策

こんな記事があった．

https://mailman-mail5.webfaction.com/pipermail/lxml/20100103/013073.html

要約すると，parseはいろんなファイル形式に対応してるけど，iterparseはすごく単純なファイル形式しか対応してない．（たぶん）

よって，gzipモジュールを使う．

iterparse.py

from lxml import etree
import gzip
path = 'dataset/sample/sample.xml.gz'
tree = etree.iterparse(gzip.GzipFile(path))
print(list(tree)[0][1].text)

>> 1

できた．