Python XML解析

　　参考：https://www.runoob.com/python/python-xml.html

　　什么是XML

　　XML 指可扩展标记语言（eXtensible Markup Language）。 

　　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于特定领域有关的，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（元素数）

 　　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：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

<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>

　　本文介绍SAX和DOM两种方式

　　python使用SAX解析xml

　　SAX是一种基于实践取得的API

　　利用SAX解析文档涉及到两个部分：解析器和事件处理器。

　　解析器赋值读取XML文档，并像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相应，对传递的XML数据进处理。

　　1，对大型文件进行处理

　　2，只需要文件的部分内容，或者值需从文件中得到特定的信息。

　　3，想建立自己的对象模型时。

　　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类。

　　ContentHandler类方法介绍

　　characters(content)方法

　　调用事件：

　　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。

　　注意：一般使用startElement(name, attrs)，characters(content)，endElement(name) 这3个方法

　　startDoeument() 和endDocument()方法使用较少

　　make_parser方法

　　以下方法创建一个新的解析器对象并返回

?

1	xml.sax.make_parser( [parser_list] )

　　参数说明：

?

1	parser_list - 可选参数，解析器列表

　　parse方法

　　以下方法创建一个 SAX 解析器并解析xml文档：

?

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

　　参数说明

?

1 2 3

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：

?

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

　　参数说明

?

1 2 3

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

　　下面举例说明

　　创建一个ContentHandler类并使用该类处理XML文本

　　以下代码只在类里面使用一个print打印

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

# 只演示执行过程不实际处理数据start # 导入模块 import xml.sax # 创建一个Handler类继承xml.sax.ContentHandler类 class Handler(xml.sax.ContentHandler):       def startDocument(self):         print('startDocument...')       def startElement(self,name,attr):         print('startElement...')       def characters(self,text):         print('characters...')                    def endElement(self,name):         print('endElement...')       def endDocument(self):         print('endDocument...')   H = Handler() test_xml = '<a href="/">python</a>' xml_str = xml.sax.parseString(test_xml,H) # 输出如下 # startDocument... # startElement... # characters... # endElement... # endDocument... # 只演示执行过程不实际处理数据end

　　从输出可以明显看出执行的顺序为

?

1 2 3 4 5

# startDocument # startElement # characters # endElement # endDocument

　　以下代码演示各个方法参数对应的内容

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

# 演示参数start # 导入模块 import xml.sax # 创建一个Handler类继承xml.sax.ContentHandler类 class Handler(xml.sax.ContentHandler):       def startElement(self,name,attr):         print('startElement...')         print('标签名字为 %s' %(name))         print('标签属性字典%s' %(attr.items()))       def characters(self,text):         print('characters...')                print('标签内部内容为%s' %(text))            def endElement(self,name):         print('endElement...')         print('标签名字为 %s' %(name))   H = Handler() test_xml = '<a href="/">python</a>' xml_str = xml.sax.parseString(test_xml,H) # 输出如下 # startElement... # 标签名字为 a # 标签属性字典[('href', '/')] # characters... # 标签内部内容为python # endElement... # 标签名字为 a # 演示参数end

　　解析

?

1 2 3 4

本次分析的XML为 '<a href="/">python</a>' 标签名字为a 标签的写法为<str></str>名字即str 标签是属性为标签内定义的属性（可为空）即不定义属性，本次定了为href="/" attr为标签是属性字典，使用items即可显示内容 标签的内容及<a></a>之间的文本 本次为'python'

　　本次打开的是字符串，如果需要解析xml文档则把xml文档内容保存成文档然后使用以下方法调用

?

1	xml.sax.parse('test.xml',H)

　　Python解析实例

　　为了便于分析，本次把示例只保留一部电影

　　movies.xml

?

1 2 3 4 5 6 7 8 9 10

<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> </collection>

　　解析代码如下

　　use_sax_xml.py

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

# 使用sax解析movies start import xml.sax class MoviesHandler(xml.sax.ContentHandler):     def __init__(self):         self.currentdata = ''         self.type = ''         self.format = ''         self.year = ''         self.rating = ''         self.stars = ''         self.description = ''        def startElement(self,name,attr):         self.currentdata = name         if self.currentdata == 'movie':             print('***movies***')             title = attr['title']             print('Tiele:%s' %(title))       def characters(self,text):         if self.currentdata == "type":             self.type = text         elif self.currentdata == "format":             self.format = text         elif self.currentdata == "year":             self.year = text         elif self.currentdata == "rating":             self.rating = text         elif self.currentdata == "stars":             self.stars = text         elif self.currentdata == "description":             self.description = text           def endElement(self,name):         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 = ""   H = MoviesHandler()   xml.sax.parse('movies.xml',H)         # 使用sax解析movies end

　　运行输出如下

?

1 2 3 4 5 6 7 8

***movies*** Tiele:Enemy Behind Type: War, Thriller Format: DVD Year: 2003 Rating: PG Stars: 10 Description: Talk about a US-Japan war

　　使用调试模式查看执行过程

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 　　省略几步 依次处理了以下标签

?

1 2 3 4 5

<format>DVD</format> <year>2003</year> <rating>PG</rating> <stars>10</stars> <description>Talk about a US-Japan war</description>

　　处理完以上标签输出如下

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 　　由此可以知道使用SAX执行是逐条语句执行，不需要一次性读取文件至内存

　　优点是节约内存，缺点是需要执行写方法，效率低。

　　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，示例如下：

　　使用DOM解析是一次性读取整个文档在内存中生成一个树结构，相比SAX使用更加简单，缺点是占用内存，但是目前服务器内存相对较大，从程序员节约写代码时间来看，可以优先选用DOM。

　　DOM解析方法参考：https://www.cnblogs.com/minseo/p/15187837.html

　　代码如下

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

# 使用dom解析movies start # 导入模块 import xml.dom.minidom # 打开xml文档 dom = xml.dom.minidom.parse('movies.xml') # dom.documentElement的到元素对象 movies = dom.documentElement.getElementsByTagName('movie') # getElementsByTagName('movie')从元素对象总查找标签名为movie的对象 # 得到的对象会组成一个对象列表，本次的对象只有一个 for movie in movies:     print("*****Movie*****")     # 如果对象有属性值title即电影名则打印     if movie.hasAttribute("title"):         print("Title: %s" % movie.getAttribute("title"))           # 在从得到的对象中间在搜索对应的标签名对象，本次找的的对象也是一个     # 使用[0]下标取得取得     # 使用firstChild.data获取对象的值打印     type = movie.getElementsByTagName('type')[0]     print("Type: %s" % type.firstChild.data)     format = movie.getElementsByTagName('format')[0]     print("Format: %s" % format.firstChild.data)     rating = movie.getElementsByTagName('rating')[0]     print("Rating: %s" % rating.firstChild.data)     description = movie.getElementsByTagName('description')[0]     print("Description: %s" % description.firstChild.data) # 使用dom解析movies end

　　输出结果和使用SAX输出是一样的，只不过使用DOM方法代码更加简洁清晰