[Python] - XML 解析

文章从简书转入，只因它已不再是以前的简书

---

All I ever wanted was a single thing worth fighting for.
我想要的不过就是一件让我奋不顾身的事儿。

---

XML 指可扩展标记语言（eXtensible Markup Language），标准通用标记语言的子集，是一种用于标记电子文件使其具有结构性的标记语言

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

---

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

一个 C 语言实现的可用 API

Element类型是一种灵活的容器对象，用于在内存中存储层次数据结构

ElementTree 类可以用来包裹一个element结构，用于与XML进行相互转换

---

一：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

• 事件处理器则负责对事件作出相应,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。

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

---

使用 SAX 解析 XML实例：

XML 文件内容, 文件名：”movies.xml”

<collection shelf="豆瓣电影Top 250">
<movie title="肖生克的救赎">
   <type>犯罪 剧情</type>
   <year>1994</year>
   <stars>9.6</stars>
   <description>希望让人自由。</description>
</movie>
<movie title="霸王别姬">
   <type>爱情 同性</type>
   <year>1993</year>
   <stars>9.5</stars>
   <description>风华绝代。</description>
</movie>
<movie title="阿甘正传">
   <type>剧情 爱情</type>
   <year>1994</year>
   <stars>9.4</stars>
   <description>一部美国近现代史。</description>
</movie>
<movie title="千与千寻">
   <type>动画 奇幻</type>
   <year>2001</year>
   <stars>9.2</stars>
   <description>最好的宫崎骏，最好的久石让。</description>
</movie>
<movie title="海上钢琴师">
   <year>1993</year>
   <type>剧情 音乐</type>
   <stars>9.2</stars>
   <description>每个人都要走一条自己坚定了的路，就算是粉身碎骨。</description>
</movie>
</collection>

---

实例代码：

import xml.sax

class MovieHandler(xml.sax.ContentHandler):
    def __init__(self):
        self.type = ""
        self.year = ""
        self.stars = ""
        self.description = ""

    # 元素开始调用
    def startElement(self, tag, attributes):
        self.CurrentData = tag
        if tag == "movie":
            print("*****Movie*****")
            title = attributes["title"]
            print("Title:", title)

    # 元素结束调用
    def endElement(self, tag):
        if self.CurrentData == "type":
            print("Type:", self.type)
        elif self.CurrentData == "year":
            print("Year:", self.year)
        elif self.CurrentData == "stars":
            print("Stars:", self.stars)
        elif self.CurrentData == "description":
            print("Description:", self.description)
        self.CurrentData = ""

    # 读取字符时调用
    def characters(self, content):
        if self.CurrentData == "type":
            self.type = content
        elif self.CurrentData == "year":
            self.year = 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, 0)

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

    parser.parse("movies.xml")

实例打印结果：

*****Movie*****
Title: 肖生克的救赎
Type: 犯罪 剧情
Year: 1994
Stars: 9.6
Description: 希望让人自由。
*****Movie*****
Title: 霸王别姬
Type: 爱情 同性
Year: 1993
Stars: 9.5
Description: 风华绝代。
*****Movie*****
Title: 阿甘正传
Type: 剧情 爱情
Year: 1994
Stars: 9.4
Description: 一部美国近现代史。
*****Movie*****
Title: 千与千寻
Type: 动画 奇幻
Year: 2001
Stars: 9.2
Description: 最好的宫崎骏，最好的久石让。
*****Movie*****
Title: 海上钢琴师
Year: 1993
Type: 剧情 音乐
Stars: 9.2
Description: 每个人都要走一条自己坚定了的路，就算是粉身碎骨。

---

二：使用 DOM 解析

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**

实例代码：

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')[0]
   print ("Type: %s" % type.childNodes[0].data)
   year = movie.getElementsByTagName('year')[0]
   print ("Year: %s" % year.childNodes[0].data)
   stars = movie.getElementsByTagName('stars')[0]
   print ("Stars: %s" % stars.childNodes[0].data)
   description = movie.getElementsByTagName('description')[0]
   print ("Description: %s" % description.childNodes[0].data)

实例打印结果：

Root element : 豆瓣电影Top 250
*****Movie*****
Title: 肖生克的救赎
Type: 犯罪 剧情
Year: 1994
Stars: 9.6
Description: 希望让人自由。
*****Movie*****
Title: 霸王别姬
Type: 爱情 同性
Year: 1993
Stars: 9.5
Description: 风华绝代。
*****Movie*****
Title: 阿甘正传
Type: 剧情 爱情
Year: 1994
Stars: 9.4
Description: 一部美国近现代史。
*****Movie*****
Title: 千与千寻
Type: 动画 奇幻
Year: 2001
Stars: 9.2
Description: 最好的宫崎骏，最好的久石让。
*****Movie*****
Title: 海上钢琴师
Type: 剧情 音乐
Year: 1993
Stars: 9.2
Description: 每个人都要走一条自己坚定了的路，就算是粉身碎骨。

---

三：使用 ElementTree 解析 XML

import xml.etree.ElementTree as ET

tree = ET.parse("movies.xml")
root = tree.getroot()
print(root.tag)

print("-------------")
#遍历xml文档
for child in root:
    print(child.tag, child.attrib)
    for i in child:
        print(i.tag,i.text)

print("-------description-------")
#只遍历description 节点
for node in root.iter('description'):
    print(node.tag,node.text)

print("-------year-------")
#只遍历year节点
for node in root.iter('year'):
    print(node.tag,node.text)

# 修改
for node in root.iter('year'):
    new_year = int(node.text) + 1
    node.text = str(new_year)
    node.set("updated", "yes")

tree.write("xmltest.xml")

print("-------new year------")
#只遍历year节点
for node in root.iter('year'):
    print(node.tag,node.text)

# 删除node
# 修改
for node in root.findall('year'):
    star = int(star.find('year').text)
    if star < 2000:
        root.remove(node)

tree.write('output.xml') # 生成一个过滤后的文件

实例打印结果：

collection
-------------
movie {'title': '肖生克的救赎'}
type 犯罪 剧情
year 1994
stars 9.6
description 希望让人自由。
movie {'title': '霸王别姬'}
type 爱情 同性
year 1993
stars 9.5
description 风华绝代。
movie {'title': '阿甘正传'}
type 剧情 爱情
year 1994
stars 9.4
description 一部美国近现代史。
movie {'title': '千与千寻'}
type 动画 奇幻
year 2001
stars 9.2
description 最好的宫崎骏，最好的久石让。
movie {'title': '海上钢琴师'}
year 1993
type 剧情 音乐
stars 9.2
description 每个人都要走一条自己坚定了的路，就算是粉身碎骨。
-------description-------
description 希望让人自由。
description 风华绝代。
description 一部美国近现代史。
description 最好的宫崎骏，最好的久石让。
description 每个人都要走一条自己坚定了的路，就算是粉身碎骨。
-------year-------
year 1994
year 1993
year 1994
year 2001
year 1993
-------new year------
year 1995
year 1994
year 1995
year 2002
year 1994