Python 标准库 xml 详解

对于简单的 XML 解析处理, 可以使用标准库 xml, 相对于第三方库 lxml, xml 无需额外安装, 但 xml 是用 Python 实现的, 性能不如 lxml

XML 的解析功能主要由 xml.etree.ElementTree 模块完成, 其中包含两个类, ElementTree 用于表示整个 XML 文档, 而 Element 表示文档中的一个节点

示例数据, 命名为 book.xml

<?xml version="1.0"?>
<bookstore>
	<book name="西游记">
		<author>吴承恩</author>
		<dynasty>明朝</dynasty>
		<similar name="封神演义" author="许仲琳"/>
	</book>
	<book name="红楼梦">
		<author>曹雪芹</author>
		<dynasty>清朝</dynasty>
	</book>
	<book name="三国演义">
		<author>罗贯中</author>
		<dynasty>明末清初</dynasty>
		<similar name="三国志" author="陈寿"/>
	</book>
</bookstore>

导入要解析的 XML 文档, 并获取文档的根节点

import xml.etree.ElementTree as ET

tree = ET.parse("./book.xml")
root = tree.getroot()

也可以直接解析字符串

with open("./book.xml") as fp:
    root = ET.fromstring(fp.read())

对于每一个节点 Element:

• 通过列表接口可以访问直接子节点
• 通过字典接口可以访问属性节点, 也可通过 attrib 属性(例如 root.attrib)得到真正的字典

其他还有 tag 属性表示标签名, text 表示其包含的文本内容

# 遍历直接子节点
for book in root:
    print(book.tag, book.attrib, book.get("name"))

# 访问根节点下的第2个子节点, 再向下访问第1个子节点的文本, 也就是 "<author>曹雪芹</author>"
author = root[1][0].text
print(type(author), author)

打印输出

book {'name': '西游记'} 西游记
book {'name': '红楼梦'} 红楼梦
book {'name': '三国演义'} 三国演义
<class 'str'> 曹雪芹

获取到的文本结果与 lxml 不同, 这里的结果直接是字符串类型

递归函数, 可以遍历所有的后代节点

# 递归选择所有标签名为 "similar" 的节点
for book in root.iter("similar"):
    print(book.attrib)

打印输出

{'name': '封神演义', 'author': '许仲琳'}
{'name': '三国志', 'author': '陈寿'}

XPath 语法

XPath 类似于文件路径, 路径中最末尾的部分表示要提取的内容, 分隔符有两种, "/"表示直接子节点的关系, "//"表示所有的子节点

语法	含义
tag	匹配特定标签
*	匹配所有元素
.	当前节点, 用于相对路径
…	父节点
[@attrib]	匹配包含 attrib 属性的节点
[@attrib=‘value’]	匹配 attrib 属性等于 value 的节点
[tag]	匹配包含直接子节点 tag 的节点
[tag=‘text’]	匹配包含直接子节点 tag 且子节点文本内容为 text 的节点
[n]	匹配第 n 个节点

[] 前面必须有标签名, book[@name][similar] 匹配带有 name 属性以及 similar 直接子节点的 book 节点, 然后将 book[@name][similar] 置于 XPath 路径中, 例如 “/bookstore/book[@name][similar]”

可以通过 Element 对象的方法 findall(path) 和 find(path) 使用 XPath 语法, 次时路径是从 Element 代表的节点开始, 也可以通过 ElementTree 对象调用 findall 与 find, 相当于路径从根节点开始

匹配到节点, findall 返回所有匹配节点的列表, find 返回首个匹配节点, 没有匹配到节点时, findall 返回空列表, find 返回 None

# . 表示 bookstore 节点
author_1 = tree.find("./book[@name='红楼梦']/author").text
author_2 = tree.findtext("./book[@name='红楼梦']/author")
print("红楼梦作者:", author_1, author_2)

author_3 = root.find("./book/similar[@name='三国志']").get("author")
print("三国志作者:", author_3)

打印结果

红楼梦作者: 曹雪芹 曹雪芹
三国志作者: 陈寿

findtext 类似于 find, 直接获取节点的文本内容

books_1 = root.findall("./book[similar]")
# 对于直接子节点, 可以省略 ./
books_2 = root.findall("book[similar]")
print(books_1 == books_2)
for book in books_1:
    print(book[0].text, book[1].text)

打印结果

True
吴承恩 明朝
罗贯中 明末清初