Python学习笔记--XML的应用

XML的定义#

• XML 指可扩展标记语言（EXtensible Markup Language）
• XML 是一种标记语言，很类似 HTML
• XML 的设计宗旨是传输数据，而非显示数据
• XML 标签没有被预定义。您需要自行定义标签。
• XML 被设计为具有自我描述性。
• XML 是 W3C 的推荐标准

 

Python 提供了多种模块来处理XML。

•  xml.dom.* 模块：Document Object Model。适合用于处理 DOM API。它能够将 xml 数据在内存中解析成一个树，然后通过对树的操作来操作 xml。但是，这种方式由于将 xml 数据映射到内存中的树，导致比较慢，且消耗更多内存。
•  xml.sax.* 模块：simple API for XML。由于 SAX 以流式读取 xml 文件，从而速度较快，切少占用内存，但是操作上稍复杂，需要用户实现回调函数。
•  xml.parser.expat：是一个直接的，低级一点的基于 C 的 expat 的语法分析器。 expat 接口基于事件反馈，有点像 SAX 但又不太像，因为它的接口并不是完全规范于 expat 库的。
•  xml.etree.ElementTree (以下简称 ET)：元素树。它提供了轻量级的 Python 式的 API，相对于 DOM，ET 快了很多 ，而且有很多令人愉悦的 API 可以使用；相对SAX，ET 也有 ET.iterparse 提供了 “在空中” 的处理方式，没有必要加载整个文档到内存，节省内存。ET 的性能的平均值和 SAX 差不多，但是 API的效率更高一点而且使用起来很方便。

 

遍历查询

这是一个 xml 树，只不过是用图来表示的，还没有用 ET 解析呢。把这棵树写成 xml 文档格式：

<bookstore>
        <book category="COOKING">
                <title lang="en">Everyday Italian</title>
                <author>Giada De Laurentiis</author>
                <year>2005</year>
                <price>30.00</price>
        </book>
        <book category="CHILDREN">
                <title lang="en">Harry Potter</title>
                <author>J K. Rowling</author>
                <year>2005</year>
                <price>29.99</price>
        </book>
        <book category="WEB">
                <title lang="en">Learning XML</title>
                <author>Erik T. Ray</author>
                <year>2003</year>
                <price>39.95</price>
        </book>
</bookstore>

建立起 xml 解析树。然后可以通过根节点向下开始读取各个元素（element 对象）。

 

>>> import xml.etree.cElementTree as ET
>>> tree = ET.ElementTree(file="22601.xml")
>>> tree
<ElementTree object at 0x7f8fbd411050>
>>> root = tree.getroot()
>>> root.tag
'bookstore'
>>> root.attrib
{}

读取根下面的元素：

>>> for child in root:
...   print child.tag,child.attrib
... 
book {'category': 'COOKING'}
book {'category': 'CHILDREN'}
book {'category': 'WEB'}

读取指定元素的信息：

>>> root[0].tag
'book'
>>> root[0].attrib
{'category': 'COOKING'}
>>> root[0].text                #无内容
'\n\t\t'

再读取下一个元素

>>> root[0][0].tag
'title'
>>> root[0][0].attrib     #第一元素
{'lang': 'en'}
>>> root[0][0].text
'Everyday Italian'
>>> root[0][1].tag　　　　#第二个元素
'author'

 

对于 ElementTree 对象，有一个 iter 方法可以对指定名称的子节点进行深度优先遍历。例如：

>>> for ele in tree.iter(tag="book"):        #遍历book节点
...   print ele.tag,ele.attrib
... 
book {'category': 'COOKING'}
book {'category': 'CHILDREN'}
book {'category': 'WEB'}
>>> for ele in tree.iter(tag="title"):         #遍历title节点
...   print ele.tag,ele.attrib
... 
title {'lang': 'en'}
title {'lang': 'en'}
title {'lang': 'en'}

 

除了上面的方法，还可以通过路径，搜索到指定的元素，读取其内容。这就是 xpath。

>>> for ele in tree.iterfind("book/title"):
...   print ele.text
... 
Everyday Italian
Harry Potter
Learning XML

 利用 findall() 方法，也可以是实现查找功能：

>>> for ele in tree.findall("book"):
...   title = ele.find('title').text
...   price = ele.find('price').text
...   print title,price
... 
Everyday Italian 37.0
Learning XML 46.95

 

编辑#

删除

 除了读取有关数据之外，还能对 xml 进行编辑，即增删改查功能。还是以上面的 xml 文档为例：

>>> root[1][0].text
'Harry Potter'
>>> del root[1]
>>> root[1][0].text     #可以看见Harry Potter已经被删除了
'Learning XML'

但是这样的操作源文件是没有改变的，现在只是在内存中做了修改而已，如果要修改源文件我们得这样做：

>>> import os
>>> outpath = os.getcwd()
>>> file = outpath + "/22601.xml"
>>> tree.write(file)

上面用del 来删除某个元素，其实，在编程中，这个用的不多，更喜欢用 remove() 方法。比如我要删除price> 40 的书。可以这么做：

>>> for book in root.findall("book"):
... price = book.find("price").text
... if float(price) > 40.0:
... root.remove(book)
...
>>> tree.write(file)

修改

>>> for price in root.iter("price"):
...   new_price = float(price.text) + 7
...   price.text = str(new_price)
...   price.set("updated","up")
... 
>>> tree.write(file)
>>> for price in root.iter("price"):
...  print price.text
... 
37.0
46.95

查看源文件

<bookstore>
        <book category="COOKING">
                <title lang="en">Everyday Italian</title>
                <author>Giada De Laurentiis</author>
                <year>2005</year>
                <price updated="up">37.0</price>
        </book>
        <book category="WEB">
                <title lang="en">Learning XML</title>
                <author>Erik T. Ray</author>
                <year>2003</year>
                <price updated="up">46.95</price>
        </book>
</bookstore>

不仅价格修改了，而且在 price 标签里面增加了属性标记。

增加

 

>>> import xml.etree.cElementTree as ET
>>> tree = ET.ElementTree(file="22601.xml")
>>> root = tree.getroot()
>>> for ele in root:
...   print ele.tag
... 
book
book
>>> ET.SubElement(root, "book")          #在 root 里面添加 book 节点
<Element 'book' at 0x7fc78fa06c90>
>>> for ele in root:
...   print ele.tag
... 
book
book
book
>>> b2 = root[2]                                #得到新增的 book 节点
>>> b2.text = "Python"                        #添加内容
>>> tree.write("22601.xml")
    

 

总结：#

元素常用属性：

• tag：string，元素数据种类
• text：string，元素的内容
• attrib：dictionary，元素的属性字典
• tail：string，元素的尾形

针对属性的操作

• clear()：清空元素的后代、属性、text 和 tail 也设置为 None
• get(key, default=None)：获取 key 对应的属性值，如该属性不存在则返回 default 值
• items()：根据属性字典返回一个列表，列表元素为(key, value）
• keys()：返回包含所有元素属性键的列表
• set(key, value)：设置新的属性键与值

针对后代的操作

• append(subelement)：添加直系子元素
• extend(subelements)：增加一串元素对象作为子元素
• find(match)：寻找第一个匹配子元素，匹配对象可以为 tag 或 path
• findall(match)：寻找所有匹配子元素，匹配对象可以为 tag 或 path
• findtext(match)：寻找第一个匹配子元素，返回其 text 值。匹配对象可以为 tag 或 path
• insert(index, element)：在指定位置插入子元素
• iter(tag=None)：生成遍历当前元素所有后代或者给定 tag 的后代的迭代器
• iterfind(match)：根据 tag 或 path 查找所有的后代
• itertext()：遍历所有后代并返回 text 值
• remove(subelement)：删除子元素

ElementTree 对象

• find(match)
• findall(match)
• findtext(match, default=None)
• getroot()：获取根节点.
• iter(tag=None)
• iterfind(match)
• parse(source, parser=None)：装载 xml 对象，source 可以为文件名或文件类型对象.
• write(file, encoding="us-ascii", xml_declaration=None, default_namespace=None,method="xml")