Python编程基础之十七XML解析

最新推荐文章于 2020-10-15 17:59:05 发布

乌托邦2号

最新推荐文章于 2020-10-15 17:59:05 发布

阅读量1.2k

点赞数

分类专栏： Python基础文章标签： python

本文链接：https://blog.csdn.net/taiyang1987912/article/details/44779679

版权

Python基础专栏收录该内容

19 篇文章 2 订阅

订阅专栏

一、简介

XML（eXtensible Markup Language）指可扩展标记语言，被设计用来传输和存储数据，已经日趋成为当前许多新生技术的核心，在不同的领域都有着不同的应用。它是web发展到一定阶段的必然产物，既具有SGML的核心特征，又有着HTML的简单特性，还具有明确和结构良好等许多新的特性。
python解析XML常见的有三种方法：一是xml.dom.*模块，它是W3C DOM API的实现，若需要处理DOM API则该模块很适合，注意xml.dom包里面有许多模块，须区分它们间的不同；二是xml.sax.*模块，它是SAX API的实现，这个模块牺牲了便捷性来换取速度和内存占用，SAX是一个基于事件的API，这就意味着它可以“在空中”处理庞大数量的的文档，不用完全加载进内存；三是xml.etree.ElementTree模块（简称 ET），它提供了轻量级的Python式的API，相对于DOM来说ET 快了很多，而且有很多令人愉悦的API可以使用，相对于SAX来说ET的ET.iterparse也提供了 “在空中” 的处理方式，没有必要加载整个文档到内存，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。

二、详解

解析的xml文件（country.xml）：

<?xml version="1.0"?>
<data>
    <country name="Singapore">
        <rank>4</rank>
        <year>2011</year>
        <gdppc>59900</gdppc>
        <neighbor name="Malaysia" direction="N"/>
    </country>
    <country name="Panama">
        <rank>68</rank>
        <year>2011</year>
        <gdppc>13600</gdppc>
        <neighbor name="Costa Rica" direction="W"/>
        <neighbor name="Colombia" direction="E"/>
    </country>
</data>

1、xml.etree.ElementTree

ElementTree生来就是为了处理XML，它在Python标准库中有两种实现：一种是纯Python实现的，如xml.etree.ElementTree，另一种是速度快一点的xml.etree.cElementTree。注意：尽量使用C语言实现的那种，因为它速度更快，而且消耗的内存更少。

try:
    import xml.etree.cElementTree as ET
except ImportError:
    import xml.etree.ElementTree as ET

这是一个让Python不同的库使用相同API的一个比较常用的办法，而从Python 3.3开始ElementTree模块会自动寻找可用的C库来加快速度，所以只需要import xml.etree.ElementTree就可以了。

#!/usr/bin/evn python
#coding:utf-8

try:
    import xml.etree.cElementTree as ET
except ImportError:
    import xml.etree.ElementTree as ET
import sys

try:
    tree = ET.parse("country.xml")         #打开xml文档
    #root = ET.fromstring(country_string)  #从字符串传递xml
    root = tree.getroot()                  #获得root节点  
except Exception, e:
    print "Error:cannot parse file:country.xml."
    sys.exit(1)
print root.tag, "---", root.attrib 
for child in root:
    print child.tag, "---", child.attrib

print "*"*10
print root[0][1].text     #通过下标访问
print root[0].tag, root[0].text
print "*"*10

for country in root.findall('country'):  #找到root节点下的所有country节点
    rank = country.find('rank').text     #子节点下节点rank的值
    name = country.get('name')           #子节点下属性name的值
    print name, rank
     
#修改xml文件
for country in root.findall('country'):
    rank = int(country.find('rank').text)
    if rank > 50:
        root.remove(country)

tree.write('output.xml')

运行结果：

参考：https://docs.python.org/2/library/xml.etree.elementtree.html

2、xml.dom.*

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。python中用xml.dom.minidom来解析xml文件，例子如下：

#!/usr/bin/python
#coding=utf-8

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("country.xml")
Data = DOMTree.documentElement
if Data.hasAttribute("name"):
   print "name element : %s" % Data.getAttribute("name")

# 在集合中获取所有国家
Countrys = Data.getElementsByTagName("country")

# 打印每个国家的详细信息
for Country in Countrys:
   print "*****Country*****"
   if Country.hasAttribute("name"):
      print "name: %s" % Country.getAttribute("name")

   rank = Country.getElementsByTagName('rank')[0]
   print "rank: %s" % rank.childNodes[0].data
   year = Country.getElementsByTagName('year')[0]
   print "year: %s" % year.childNodes[0].data
   gdppc = Country.getElementsByTagName('gdppc')[0]
   print "gdppc: %s" % gdppc.childNodes[0].data

   for neighbor in Country.getElementsByTagName("neighbor"):  
        print  neighbor.tagName, ":", neighbor.getAttribute("name"), neighbor.getAttribute("direction")

运行结果：

参考：https://docs.python.org/2/library/xml.dom.html

3、xml.sax.*

SAX是一种基于事件驱动的API，利用SAX解析XML牵涉到两个部分：解析器和事件处理器。其中解析器负责读取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；而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。python中使用sax方式处理xml要先引入xml.sax中的parse函数，还有xml.sax.handler中的ContentHandler。常使用在如下的情况下：一、对大型文件进行处理；二、只需要文件的部分内容，或者只需从文件中得到特定信息；三、想建立自己的对象模型的时候。
ContentHandler类方法介绍
（1）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。
（2）startDocument()方法
文档启动的时候调用。
（3）endDocument()方法
解析器到达文档结尾时调用。
（4）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。
（5）endElement(name)方法
遇到XML结束标签时调用。

#coding=utf-8
#!/usr/bin/python

import xml.sax

class CountryHandler(xml.sax.ContentHandler):
   def __init__(self):
      self.CurrentData = ""
      self.rank = ""
      self.year = ""
      self.gdppc = ""
      self.neighborname = ""
      self.neighbordirection = ""

   # 元素开始事件处理
   def startElement(self, tag, attributes):
      self.CurrentData = tag
      if tag == "country":
         print "*****Country*****"
         name = attributes["name"]
         print "name:", name
      elif tag == "neighbor":
         name = attributes["name"]
         direction = attributes["direction"]
         print name, "->", direction

   # 元素结束事件处理
   def endElement(self, tag):
      if self.CurrentData == "rank":
         print "rank:", self.rank
      elif self.CurrentData == "year":
         print "year:", self.year
      elif self.CurrentData == "gdppc":
         print "gdppc:", self.gdppc
      self.CurrentData = ""

   # 内容事件处理
   def characters(self, content):
      if self.CurrentData == "rank":
         self.rank = content
      elif self.CurrentData == "year":
         self.year = content
      elif self.CurrentData == "gdppc":
         self.gdppc = 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 = CountryHandler()
    parser.setContentHandler(Handler)
   
    parser.parse("country.xml")

运行结果：

Python SAX APIs参考文档：https://docs.python.org/2/library/xml.sax.html

4、libxml2和lxml解析xml

libxml2是使用C语言开发的xml解析器，是一个基于MIT License的免费开源软件，多种编程语言都有基于它的实现，python中的libxml2模块有点小不足的是：xpathEval()接口不支持类似模板的用法，但不影响使用，因libxml2采用C语言开发的，因此在使用API接口的方式上难免会有点不适应。

#!/usr/bin/python
#coding=utf-8

import libxml2

doc = libxml2.parseFile("country.xml")
for book in doc.xpathEval('//country'):
    if book.content != "":
        print "----------------------"
        print book.content
for node in doc.xpathEval("//country/neighbor[@name = 'Colombia']"):
    print node.name, (node.properties.name, node.properties.content)
doc.freeDoc()

lxml是以libxml2为基础采用python语言开发的，从使用层面上说比lxml更适合python开发者，且xpath()接口支持类似模板的用法。

#!/usr/bin/python
#coding=utf-8

import lxml.etree  

doc = lxml.etree.parse("country.xml")  
for node in doc.xpath("//country/neighbor[@name = $name]", name = "Colombia"):  
    print node.tag, node.items()
for node in doc.xpath("//country[@name = $name]", name = "Singapore"):  
    print node.tag, node.items()

三、总结

（1）Python中XML解析可用的类库或模块有xml、libxml2 、lxml 、xpath等，需要深入了解的还需参考相应的文档。
（2）每一种解析方式都有自己的优点和缺点，选择前可以综合各个方面的性能考虑。
（3）若有不足，请留言，在此先感谢！

乌托邦2号

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
0
评论
Python编程基础之十七XML解析

一、简介正则表达式（RE）为高级文本模式匹配，以及搜索、替代等功能提供了基础。正则表达式是一些由字符和特殊符号组成的字符串，它们描述了这些字符和字符的某种重复方式，因此能按某种模式匹配一个有相似特征的字符串的集合，因此能按某模式匹配一系列有相似特征的字符串。二、详解1、正则表达式使用的特殊符号和字符正则表达式最常用的元字符(metacha
复制链接

扫一扫