Python与xml之解析篇

Python与xml之解析篇

       转贴请注明出处http://blog.csdn.net/porcupinefinal

       网上关于xml文件解析的例子多如牛毛，用python解析的也不少，在百度输入python xml就会出来不少结果。我也是从这些例子和文章中学的，所以会有类似的地方，当然我也会加入自己的一些体会。

       《dive into python》第五章对这一部分有较详尽的讲解，如果你不喜欢看英文的话，可到这个网站：http://www.chinesepython.org/pythonfoundry/limodoupydoc/dive/html/toc.html查阅。

       下边开始我们的xml解析之旅：

       处理xml有两种方法：

FIRST：SAX—Simple API for XML。它的工作方式是，一次读出一点XML，对发现的每个元素调用一个方法。SAX是 XML 语法分析器的公用语法分析器接口。它允许应用程序作者编写使用 XML 语法分析器的应用程序，但是它却独立于所使用的语法分析器。（将它看作 XML 的 JDBC。）（Lars Marius Garshol，SAX for Python）

功能：基本上是一个 XML 文档的顺序处理器。应用程序员将定义一个 handler 类，而不是语法分析器类，该 handler 类能注册到任何所使用的语法分析器中。必须定义 4 个 SAX 接口（每个接口都有几个方法）：DocumentHandler、DTDHandler、EntityResolver 和 ErrorHandler。创建语法分析器除非被覆盖，否则它还连接默认接口。

 

SECOND：DOM—Document Object Model。它的工作方式是，一次读出整个XML文档，通过将本地的Python类链接到一个树型结构中，生成文档的一个内部表示。

 

这篇文章里我主要用的是SAX这种方法（在dive into python一书中用的是DOM这种方式，我将在下一篇文章python与xml之更新篇中用这种方法举例如何增加、更新及删除xml文件中的某个节点。）我之所以选择这种方法是因为关于用DOM来解析xml的文章实在太多，没有什么从新写的必要，网上也有人说用DOM解析较大的xml文件时效率较低的问题（自己没有测试过，有人说是 5M 的文件要解析20分钟。。。是够慢的），所以我选择了用SAX来解析xml。

 

       示例：（该示例转载自ibm上可爱的python系列）

       import string

import xml.sax

from xml.sax.handler import *

 

classQuotationHandler(ContentHandler):

    """Crude extractor for quotations.dtd compliant XML document"""

    def __init__(self):

        self.in_quote = 0

        self.thisquote = ''

    def startDocument(self):

        print '--- Begin Document ---'

    def startElement(self, name, attrs):

        if name == 'quotation':

            print 'QUOTATION:'

            self.in_quote = 1

        else:

            self.thisquote = self.thisquote + '{'

    def endElement(self, name):

        if name == 'quotation':

            print string.join(string.split(self.thisquote[:230]))+'...',

            print '('+str(len(self.thisquote))+' bytes)/n'

            self.thisquote = ''

            self.in_quote = 0

        else:

            self.thisquote = self.thisquote + '}'

    def characters(self, ch):

        if self.in_quote:

            self.thisquote = self.thisquote + ch

if __name__ == '__main__':

    parser = xml.sax.make_parser()

    handler = QuotationHandler()

    parser.setContentHandler(handler)

    parser.parse("sample.xml")

       要点：

1、  注意黑体加粗部分，首先继承ContentHandler，构造自己的handler；

2、  剩下的startElement、endElement、characters三个接口必须实现，startElement和endElement主要用于解析形如<school>北理</school>的结构，当处理器进入<school>时将in_quote置为1，在characters中将“北理”这个值赋于self.thisquote然后在endElement中可通过self.thisquote获得“北理”这一值；

3、  形如<class id=” 09120016” />或<class id=” 09120016” ></class>的解析在startElement中进行，通过attrsattrs.get('id', None)获得“09120016”这一值。（在这个示例里没有，如有不明白的可以发email给我porcupine2004@126.com）；

4、  parse() 方法处理整个流或字符串，所以不必为语法分析器创建循环；

5、  parse() 同样能灵活地接收一个文件名、一个文件对象，或是众多的类文件对象（一些具有 .read() 方式）