AppleのiTunesで曲を管理していると、"iTunes Music Library.xml"というXMLファイルが自動生成されます。このファイルを分析することで、「もっとも曲数が多いアーティスト」「リリース年別の曲数の遷移」などさまざまな情報を抽出できます。
今回はPython 3を使って、チュートリアル風にXMLからの情報抽出の仕方を説明していきます。
XMLについて知る
Windows 7の場合、iTunesのXMLの場所は "C:\Users(ユーザ名)\Music\iTunes\iTunes Music Library.xml"だと思います。自分の場合、iTunesに約35,000曲入っていて、XMLの容量は約83MBです。
XMLの中身を見ると以下のようになっています。（手直ししています）
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple Computer//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
<key>Major Version</key><integer>1</integer>
<key>Minor Version</key><integer>1</integer>
...
<key>Tracks</key>
<dict>
<key>40086</key>
<dict>
<key>Track ID</key><integer>40086</integer>
<key>Name</key><string>I Saw Her Standing There</string>
<key>Artist</key><string>The Beatles</string>
<key>Album Artist</key><string>The Beatles</string>
<key>Composer</key><string>John Lennon/Paul McCartney</string>
<key>Album</key><string>Please Please Me</string>
...
</dict>
</dict>
...
これを見ると、
<plist>
<dict>
<key>Tracks<key>
<dict>
<key>(数字)</key>
<dict>
1曲めに関する情報
</dict>
</dict>
<dict>
<key>(数字)</key>
<dict>
2曲めに関する情報
</dict>
</dict>
..(以下繰り返し)..
</dict>
</plist>
となっていそうなことが分かります。
ライブラリを使ってXMLをパースする
XMLのパースについては XML - Dive Into Python 3 日本語版 の説明が素晴らしいです。このページでは以下の2つのパーサーが紹介されています。
- ElementTreeライブラリ （Python 3の標準ライブラリ）
- lxmlライブラリ （3rdpartyのライブラリ）
ElementTreeライブラリは遅すぎる
まずはElementTreeライブラリを試してみます。以下のコードを書き、引数にXMLのパスを入れて実行します。
#!/usr/bin/env python3 # -*- coding: utf-8 -*- import sys import xml.etree.ElementTree as etree # XMLを読み込み xml_path = sys.argv[1] tree = etree.parse(xml_path)
単にXMLを読み込むだけで、44秒もかかってしまいました。これでは遅すぎです。
lxmlライブラリは高速
次にlxmlライブラリを試してみます。pip install lxmlなどでライブラリを使えるようにしたあと、以下のコード（一行変えただけ）をさきほどと同様に実行します。
#!/usr/bin/env python3 # -*- coding: utf-8 -*- import sys from lxml import etree # XMLを読み込み xml_path = sys.argv[1] tree = etree.parse(xml_path)
今度は3.4秒ほどで実行できました。10倍以上早く読み込むことができました。lxmlは内部でCのライブラリを使っているため高速なのだと思われます。
