Python XML 解析

什么是 XML？

XML 指可扩展标记语言（e X tensible M arkup L anguage）。 你可以通过本站学习 XML 教程

XML 被设计用来传输和存储数据。

XML 是一套定义语义标记的规则，这些标记将文档分成许多部件并对这些部件加以标识。

它也是元标记语言，即定义了用于定义其他与特定领域有关的、语义的、结构化的标记语言的句法语言。

Python 对 XML 的解析

常见的 XML 编程接口有 DOM 和 SAX，这两种接口处理 XML 文件的方式不同，当然使用场合也不同。

Python 有三种方法解析 XML，SAX，DOM，以及 ElementTree:

1.SAX (simple API for XML )

Python 标准库包含 SAX 解析器，SAX 用事件驱动模型，通过在解析XML的过程中触发一个个的事件并调用用户定义的回调函数来处理XML文件。

2.DOM(Document Object Model)

将 XML 数据在内存中解析成一个树，通过对树的操作来操作XML。

3.ElementTree(元素树)

ElementTree就像一个轻量级的DOM，具有方便友好的API。代码可用性好，速度快，消耗内存少。

注： 因DOM需要将XML数据映射到内存中的树，一是比较慢，二是比较耗内存，而SAX流式读取XML文件，比较快，占用内存少，但需要用户实现回调函数（handler）。

本章节使用到的 XML 实例文件 movies.xml 内容如下：

movies.xml

< 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 >

python使用SAX解析xml

SAX是一种基于事件驱动的 API。

利用SAX解析XML文档牵涉到两个部分: 解析器 和 事件处理器 。

解析器负责读取XML文档，并向事件处理器发送事件，如元素开始跟元素结束事件。

而事件处理器则负责对事件作出响应，对传递的XML数据进行处理。

<>
  • 1、对大型文件进行处理；
  • 2、只需要文件的部分内容，或者只需从文件中得到特定信息。
  • 3、想建立自己的对象模型的时候。

在python中使用sax方式处理xml要先引入xml.sax中的parse函数，还有xml.sax.handler中的ContentHandler。

ContentHandler类方法介绍

characters(content)方法

调用时机：

从行开始，遇到标签之前，存在字符，content 的值为这些字符串。

从一个标签，遇到下一个标签之前， 存在字符，content 的值为这些字符串。

从一个标签，遇到行结束符之前，存在字符，content 的值为这些字符串。

标签可以是开始标签，也可以是结束标签。

startDocument() 方法

文档启动的时候调用。

endDocument() 方法

解析器到达文档结尾时调用。

startElement(name, attrs)方法

遇到XML开始标签时调用，name是标签的名字，attrs是标签的属性值字典。

endElement(name) 方法

遇到XML结束标签时调用。

make_parser方法

以下方法创建一个新的解析器对象并返回。 

									xml.sax.make_parser( [parser_list] )

参数说明:

  • parser_list - 可选参数，解析器列表

parser方法

以下方法创建一个 SAX 解析器并解析xml文档： 

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

参数说明:

  • xmlfile - xml文件名
  • contenthandler - 必须是一个ContentHandler的对象
  • errorhandler - 如果指定该参数，errorhandler必须是一个SAX ErrorHandler对象

parseString方法

parseString方法创建一个XML解析器并解析xml字符串： 

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

参数说明:

  • xmlstring - xml字符串
  • contenthandler - 必须是一个ContentHandler的对象
  • errorhandler - 如果指定该参数，errorhandler必须是一个SAX ErrorHandler对象

Python 解析XML实例

实例

#!/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 = " " # 元素开始事件处理 def startElement ( self , tag , attributes ) : self . CurrentData = tag if tag == " movie " : print " *****Movie***** " title = attributes [ " title " ] print " Title: " , title # 元素结束事件处理 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 = " " # 内容事件处理 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__ " ) : # 创建一个 XMLReader parser = xml . sax . make_parser ( ) # turn off namepsaces parser . setFeature ( xml . sax . handler . feature_namespaces , ) # 重写 ContextHandler Handler = MovieHandler ( ) parser . setContentHandler ( Handler ) parser . parse ( " movies.xml " )

以上代码执行结果如下： 

									*****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 文档请查阅 Python SAX APIs

使用xml.dom解析xml

文件对象模型（Document Object Model，简称DOM），是W3C组织推荐的处理可扩展置标语言的标准编程接口。

一个 DOM 的解析器在解析一个 XML 文档时，一次性读取整个文档，把文档中所有元素保存在内存中的一个树结构里，之后你可以利用DOM 提供的不同的函数来读取或修改文档的内容和结构，也可以把修改过的内容写入xml文件。

python中用xml.dom.minidom来解析xml文件，实例如下：

实例

#!/usr/bin/python # -*- coding: UTF-8 -*- from xml . dom . minidom import parse import xml . dom . minidom # 使用minidom解析器打开 XML 文档 DOMTree = xml . dom . minidom . parse ( " movies.xml " ) collection = DOMTree . documentElement if collection . hasAttribute ( " shelf " ) : print " Root element : %s " % collection . getAttribute ( " shelf " ) # 在集合中获取所有电影 movies = collection . getElementsByTagName ( " movie " ) # 打印每部电影的详细信息 for movie in movies : print " *****Movie***** " if movie . hasAttribute ( " title " ) : print " Title: %s " % movie . getAttribute ( " title " ) type = movie . getElementsByTagName ( ' type ' ) [ ] print " Type: %s " % type . childNodes [ ] . data format = movie . getElementsByTagName ( ' format ' ) [ ] print " Format: %s " % format . childNodes [ ] . data rating = movie . getElementsByTagName ( ' rating ' ) [ ] print " Rating: %s " % rating . childNodes [ ] . data description = movie . getElementsByTagName ( ' description ' ) [ ] print " Description: %s " % description . childNodes [ ] . data

以上程序执行结果如下： 

									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 文档请查阅 Python DOM APIs 。