XML学习以及python解析xml笔记

一：什么是XML
XML是指可扩展标记语言(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。
它是无标记语言，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。

<?xml version="1.0" encoding="UTF-8" standalone="no"?>

三个属性分别是：
version:版本
encoding:编码，UTF-8,GBK等
standalone:表明该xml文件是否和一个独立的标记声明文件配套使用，如果该属性为"yes"，说明不需要另外的DTD文件或XSL文件。一般都是"yes"


XML文件的逻辑结构：

1.标记命名的合法性
标记应该以字母，下划线或者冒号开头，中间不能有空格，不能以xml起始。但最好不要用冒号。
2.有效使用属性
标记中可以包含任意多个属性。在标记中，属性以名称/取值对出现，属性名不能重复，名称与取值之间用“=”分隔，且取值用引号引起来。
如：<商品 类型=“服装” 颜色=”黄色“>，XML中属性的取值必须用引号引起来。
3.属性的所有赋值都被看作是字符串。如：<圆柱体 半径="10" 高="30"> 程序应该能够把字符串"10"和"13"转化为
它们代表的数字。


注释：形式为：<!-- <dd></dd>一个XML的例子 -->，注意在注释文本中不能出现字符串"--",不要把注释文本放在标记之中，也不要放在实体
声明中，否则就不是“形式良好”。



二：python对XML的解析
常见的XML编程接口有DOM和SAX，ElementTree。
下面来分别讨论一下它们的区别：
DOM:xml.dom实现的是W3C制定的DOM API，DOM解析器在任何处理开始之前，必须把基于XML文件生成的树状数据放在内存，所以DOM解析器的内存使用量完全根据输入
    资料的大小。
SAX:xml.sax模块实现的是SAX API，这个模块牺牲了便捷性来换取速度和内存占用。它是事件驱动的，并不需要一次性读入整个文档，而文档的读入过程也就是SAX
    的解析过程。所谓事件驱动，即基于回调。
ElementTree:xml.etree.ElementTree模块提供了一个轻量级、Pythonic的API，同时还有一个高效的C语言实现，即xml.etree.cElementTree。与DOM相比,ET的速度更快，
    API的使用更直接，方便。与SAX相比，ET.iterparse函数同样提供了按需解析的功能，不会一次性在内存读入整个文档。ET的性能与SAX模块大致相仿，但是它的API
    更加方便。


如何使用SAX
SAX是一种基于事件驱动的API。
利用SAX解析XML文档牵扯到两个部分：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时间，如元素开始跟元素结束事件。
而事件处理器则负责对事件做出相应的，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，或者只需从文件中的到特定信息
   (3) 想建立自己的对象模型的时候

在python中使用sax的方式处理xml要先引入xml.sax中的parse函数，还有xml.sax.handler中的ContentHandler。(即一个解析，一个处理)

解析parser.py文件:

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 = ""

   def startElement(self, tag, attributes):
      self.CurrentData = tag 
      if tag == "movie":
         print "*****Movie*****"
         title = attributes["title"]
         print "Title:", title

   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 = ""

   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__"):

   parser = xml.sax.make_parser()
   # turn off namepsaces
   parser.setFeature(xml.sax.handler.feature_namespaces, 0)

   #ContextHandler
   Handler = MovieHandler()
   parser.setContentHandler( Handler )

   parser.parse("movies.xml")

movies.xml文件：

<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>

输出：