Python XML 解析

1. 什么是 XML？

XML 指可擴展標記語言（eXtensible Markup Language）。 你可以通過本站學(xué)習(xí) XML 教程

XML 被設(shè)計用來傳輸和存儲數(shù)據(jù)。

XML 是一套定義語義標記的規(guī)則，這些標記將文檔分成許多部件并對這些部件加以標識。

它也是元標記語言，即定義了用于定義其他與特定領(lǐng)域有關(guān)的、語義的、結(jié)構(gòu)化的標記語言的句法語言。

2. Python 對 XML 的解析

常見的 XML 編程接口有 DOM 和 SAX，這兩種接口處理 XML 文件的方式不同，當然使用場合也不同。

Python 有三種方法解析 XML，SAX，DOM，以及 ElementTree:

1) SAX (simple API for XML )

Python 標準庫包含 SAX 解析器，SAX 用事件驅(qū)動模型，通過在解析XML的過程中觸發(fā)一個個的事件并調(diào)用用戶定義的回調(diào)函數(shù)來處理XML文件。

2) DOM(Document Object Model)

將 XML 數(shù)據(jù)在內(nèi)存中解析成一個樹，通過對樹的操作來操作XML。

3) ElementTree(元素樹)

ElementTree就像一個輕量級的DOM，具有方便友好的API。代碼可用性好，速度快，消耗內(nèi)存少。

注：因DOM需要將XML數(shù)據(jù)映射到內(nèi)存中的樹，一是比較慢，二是比較耗內(nèi)存，而SAX流式讀取XML文件，比較快，占用內(nèi)存少，但需要用戶實現(xiàn)回調(diào)函數(shù)（handler）。

本章節(jié)使用到的 XML 實例文件 movies.xml 內(nèi)容如下：

<collection shelf="New Arrivals"> <movie title="Enemy Behind">    <type>War, Thriller</type>    <format>DVD</format>    <year>2003</year>    <rating>PG</rating>    <stars>10</stars>    <description>Talk about a US-Japan war</description> </movie> <movie title="Transformers">    <type>Anime, Science Fiction</type>    <format>DVD</format>    <year>1989</year>    <rating>R</rating>    <stars>8</stars>    <description>A schientific fiction</description> </movie>    <movie title="Trigun">    <type>Anime, Action</type>    <format>DVD</format>    <episodes>4</episodes>    <rating>PG</rating>    <stars>10</stars>    <description>Vash the Stampede!</description> </movie> <movie title="Ishtar">    <type>Comedy</type>    <format>VHS</format>    <rating>PG</rating>    <stars>2</stars>    <description>Viewable boredom</description> </movie> </collection> 

3. python使用SAX解析xml

SAX是一種基于事件驅(qū)動的 API。

利用SAX解析XML文檔牽涉到兩個部分: 解析器和事件處理器。

解析器負責(zé)讀取XML文檔，并向事件處理器發(fā)送事件，如元素開始跟元素結(jié)束事件。

而事件處理器則負責(zé)對事件作出響應(yīng)，對傳遞的XML數(shù)據(jù)進行處理。

• 1、對大型文件進行處理；
• 2、只需要文件的部分內(nèi)容，或者只需從文件中得到特定信息。
• 3、想建立自己的對象模型的時候。

在python中使用sax方式處理xml要先引入xml.sax中的parse函數(shù)，還有xml.sax.handler中的ContentHandler。

ContentHandler類方法介紹

characters(content)方法

調(diào)用時機：

從行開始，遇到標簽之前，存在字符，content 的值為這些字符串。

從一個標簽，遇到下一個標簽之前， 存在字符，content 的值為這些字符串。

從一個標簽，遇到行結(jié)束符之前，存在字符，content 的值為這些字符串。

標簽可以是開始標簽，也可以是結(jié)束標簽。

startDocument() 方法

文檔啟動的時候調(diào)用。

endDocument() 方法

解析器到達文檔結(jié)尾時調(diào)用。

startElement(name, attrs)方法

遇到XML開始標簽時調(diào)用，name是標簽的名字，attrs是標簽的屬性值字典。

endElement(name) 方法

遇到XML結(jié)束標簽時調(diào)用。

4. make_parser方法

以下方法創(chuàng)建一個新的解析器對象并返回。

xml.sax.make_parser( [parser_list] )

參數(shù)說明:

• parser_list - 可選參數(shù)，解析器列表

5. parser方法

以下方法創(chuàng)建一個 SAX 解析器并解析xml文檔：

xml.sax.parse( xmlfile, contenthandler[, errorhandler])

參數(shù)說明:

• xmlfile - xml文件名
• contenthandler - 必須是一個ContentHandler的對象
• errorhandler - 如果指定該參數(shù)，errorhandler必須是一個SAX ErrorHandler對象

6. parseString方法

parseString方法創(chuàng)建一個XML解析器并解析xml字符串：

xml.sax.parseString(xmlstring, contenthandler[, errorhandler])

參數(shù)說明:

• xmlstring - xml字符串
• contenthandler - 必須是一個ContentHandler的對象
• errorhandler - 如果指定該參數(shù)，errorhandler必須是一個SAX ErrorHandler對象

7. Python 解析XML實例

#!/usr/bin/python
# -*- coding: UTF-8 -*-
 
import xml.sax
 
class MovieHandler( xml.sax.ContentHandler ):
   def __init__(self):
      self.CurrentData = ""
      self.type = ""
      self.format = ""
      self.year = ""
      self.rating = ""
      self.stars = ""
      self.description = ""
 
   # 元素開始事件處理
   def startElement(self, tag, attributes):
      self.CurrentData = tag
      if tag == "movie":
         print "*****Movie*****"
         title = attributes["title"]
         print "Title:", title
 
   # 元素結(jié)束事件處理
   def endElement(self, tag):
      if self.CurrentData == "type":
         print "Type:", self.type
      elif self.CurrentData == "format":
         print "Format:", self.format
      elif self.CurrentData == "year":
         print "Year:", self.year
      elif self.CurrentData == "rating":
         print "Rating:", self.rating
      elif self.CurrentData == "stars":
         print "Stars:", self.stars
      elif self.CurrentData == "description":
         print "Description:", self.description
      self.CurrentData = ""
 
   # 內(nèi)容事件處理
   def characters(self, content):
      if self.CurrentData == "type":
         self.type = content
      elif self.CurrentData == "format":
         self.format = content
      elif self.CurrentData == "year":
         self.year = content
      elif self.CurrentData == "rating":
         self.rating = content
      elif self.CurrentData == "stars":
         self.stars = content
      elif self.CurrentData == "description":
         self.description = content
  
if ( __name__ == "__main__"):
   
   # 創(chuàng)建一個 XMLReader
   parser = xml.sax.make_parser()
   # turn off namepsaces
   parser.setFeature(xml.sax.handler.feature_namespaces, 0)
 
   # 重寫 ContextHandler
   Handler = MovieHandler()
   parser.setContentHandler( Handler )
   
   parser.parse("movies.xml")

以上代碼執(zhí)行結(jié)果如下：

*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Year: 2003
Rating: PG
Stars: 10
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Year: 1989
Rating: R
Stars: 8
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Stars: 10
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Stars: 2
Description: Viewable boredom

完整的 SAX API 文檔請查閱Python SAX APIs

8. 使用xml.dom解析xml

文件對象模型（Document Object Model，簡稱DOM），是W3C組織推薦的處理可擴展置標語言的標準編程接口。

一個 DOM 的解析器在解析一個 XML 文檔時，一次性讀取整個文檔，把文檔中所有元素保存在內(nèi)存中的一個樹結(jié)構(gòu)里，之后你可以利用DOM 提供的不同的函數(shù)來讀取或修改文檔的內(nèi)容和結(jié)構(gòu)，也可以把修改過的內(nèi)容寫入xml文件。

python中用xml.dom.minidom來解析xml文件，實例如下：

#!/usr/bin/python
# -*- coding: UTF-8 -*-
 
from xml.dom.minidom import parse
import xml.dom.minidom
 
# 使用minidom解析器打開 XML 文檔
DOMTree = xml.dom.minidom.parse("movies.xml")
collection = DOMTree.documentElement
if collection.hasAttribute("shelf"):
   print "Root element : %s" % collection.getAttribute("shelf")
 
# 在集合中獲取所有電影
movies = collection.getElementsByTagName("movie")
 
# 打印每部電影的詳細信息
for movie in movies:
   print "*****Movie*****"
   if movie.hasAttribute("title"):
      print "Title: %s" % movie.getAttribute("title")
 
   type = movie.getElementsByTagName('type')[0]
   print "Type: %s" % type.childNodes[0].data
   format = movie.getElementsByTagName('format')[0]
   print "Format: %s" % format.childNodes[0].data
   rating = movie.getElementsByTagName('rating')[0]
   print "Rating: %s" % rating.childNodes[0].data
   description = movie.getElementsByTagName('description')[0]
   print "Description: %s" % description.childNodes[0].data

以上程序執(zhí)行結(jié)果如下：

Root element : New Arrivals
*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Rating: PG
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Rating: R
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Description: Viewable boredom

完整的 DOM API 文檔請查閱 Python DOM APIs。