深入Python3 (Dive Into Python3)笔记12--XML

一切内容都是摘抄，主要是便于回忆和鼓励自己不要间断，更详细内容请见原帖地址：

《深入 python3 》中文版

http://woodpecker.org.cn/diveintopython3/index.html

12.1. 概述

12.2. 5分钟XML速成

XML是一种描述层次结构化数据的通用方法。XML文档包含由起始和结束标签(tag)分隔的一个或多个元素(element)。

元素可以嵌套到任意层次。位于foo中的元素bar可以被称作其子元素。

XML文档中的第一个元素叫做根元素(root element)。并且每份XML文档只能有一个根元素。以下不是一个XML文档，因为它存在两个“根元素”。

元素可以有其属性(attribute)，它们是一些名字-值(name-value)对。属性由空格分隔列举在元素的起始标签中。一个元素中属性名不能重复。属性值必须用引号包围起来。单引号、双引号都是可以。

如果元素有多个属性，书写的顺序并不重要。元素的属性是一个无序的键-值对集，跟Python中的列表对象一样。另外，元素中属性的个数是没有限制的。

表达空元素有一种简洁的方法。通过在起始标签的尾部添加/字符，我们可以省略结束标签。

就像Python函数可以在不同的模块(modules)中声明一样，也可以在不同的名字空间(namespace)中声明XML元素。XML文档的名字空间通常看起来像URL。我们可以通过声明xmlns来定义默认名字空间。名字空间声明跟元素属性看起来很相似，但是它们的作用是不一样的。

也可以通过xmlns:prefix声明来定义一个名字空间并取其名为prefix。然后该名字空间中的每个元素都必须显式地使用这个前缀(prefix)来声明

对于XML解析器而言，以上两个XML文档是一样的。名字空间 + 元素名 = XML标识。前缀只是用来引用名字空间的，所以对于解析器来说，这些前缀名(atom:)其实无关紧要的。名字空间相同，元素名相同，属性（或者没有属性）相同，每个元素的文本内容相同，则XML文档相同

最后，在根元素之前，字符编码信息可以出现在XML文档的第一行。（这里存在一个两难的局面(catch-22)，直观上来说，解析XML文档需要这些编码信息，而这些信息又存在于XML文档中，如果你对XML如何解决此问题有兴趣，请参阅XML规范中 F 章节）

12.3. Atom Feed的结构

summary 元素中有这篇文章的概要性描述。（还有一个元素这里没有展示出来，即content ，我们可以把整篇文章的内容都放在里边。）当前样例中，summary 元素含有一个Atom特有的type='html' 属性，它用来告知这份概要为HTML 格式，而非纯文本。这非常重要，因为概要内容中包含了HTML 中特有的实体（— 和… ），它们不应该以纯文本直接显示，正确的形式应该为“—”和“…”。

12.4. 解析XML

>>> 

import xml.etree.ElementTree as etree

    ①




>>> 

tree = etree.parse('examples/feed.xml')

  ②




>>> 

root = tree.getroot()

                    ③





>>> 

root

                                     ④




<Element {http://www.w3.org/2005/Atom}feed at cd1eb0>


		

1. ElementTree属于Python标准库的一部分，它的位置为xml.etree.ElementTree 。
2. parse() 函数是ElementTree库的主要入口，它使用文件名或者流对象 作为参数。parse() 函数会立即解析完整个文档。如果内存资源紧张，也可以增量式地解析XML 文档
3. parse() 函数会返回一个能代表整篇文档的对象。这不是 根元素。要获得根元素的引用可以调用getroot() 方法。
4. 如预期的那样，根元素即http://www.w3.org/2005/Atom 名字空间中的feed 。该字符串表示再次重申了非常重要的一点：XML 元素由名字空间和标签名（也称作本地名(local name) ）组成。这篇文档中的每个元素都在名字空间Atom中，所以根元素被表示为{http://www.w3.org/2005/Atom}feed 。

ElementTree使用{namespace}localname来表达XML元素。我们将会在ElementTree的API中多次见到这种形式。

12.4.1. 元素即列表

根元素的“长度”即子元素的个数。

我们可以像使用迭代器一样来遍历其子元素

12.4.2. 属性即字典

XML不只是元素的集合；每一个元素还有其属性集。一旦获取了某个元素的引用，我们可以像操作Python的字典一样轻松获取到其属性。

12.5. 在XML文档中查找结点

但是许多情况下我们需要找到XML中特定的元素。Etree也能完成这项工作。

每个元素 — 包括根元素及其子元素 — 都有findall()方法。它会找到所有匹配的子元素。但是为什么没有看到任何结果呢？也许不太明显，这个查询只会搜索其子元素。

为了方便，对象tree（调用etree.parse()的返回值）中的一些方法是根元素中这些方法的镜像。在这里，如果调用tree.getroot().findall()，则返回值是一样的。

find()方法用来返回第一个匹配到的元素。当我们认为只会有一个匹配，或者有多个匹配但我们只关心第一个的时候，这个方法是很有用的。

可逮住你了，在这里find()方法非常容易被误解。在布尔上下文中，如果ElementTree元素对象不包含子元素，其值则会被认为是False（即如果len(element)等于0）。这就意味着if element.find('...')并非在测试是否find()方法找到了匹配项；这条语句是在测试匹配到的元素是否包含子元素！想要测试find()方法是否返回了一个元素，则需使用if element.find('...') is not None。

>>> all_links = tree.findall('//{http://www.w3.org/2005/Atom}link')

//{http://www.w3.org/2005/Atom}link与前一样例很相似，除了开头的两条斜线。这两条斜线告诉findall()方法“不要只在直接子元素中查找；查找的范围可以是任意嵌套层次”。

12.6. 深入lxml

lxml是一个开源的第三方库，以流行的libxml2 解析器为基础开发。提供了与ElementTree完全兼容的API，并且扩展它以提供了对XPath 1.0的全面支持，以及改进了一些其他精巧的细节。提供Windows的安装程序；Linux用户推荐使用特定发行版自带的工具比如yum或者apt-get从它们的程序库中安装预编译好了的二进制文件。要不然，你就得手工安装他们了。

对于大型的XML文档，lxml明显比内置的ElementTree快了许多。如果现在只用到了ElementTree的API，并且想要使用其最快的实现(implementation)，我们可以尝试导入lxml，并且将内置的ElementTree作为备用。

>>> tree.findall('//{http://www.w3.org/2005/Atom}*[@href]')

这一句在整个文档范围内搜索名字空间Atom中具有href属性的所有元素。在查询语句开头的//表示“搜索的范围为整个文档（不只是根元素的子元素）。” {http://www.w3.org/2005/Atom}指示“搜索范围仅在名字空间Atom中。” * 表示“任意本地名(local name)的元素。” [@href]表示“含有href属性。”

>>> tree.findall("//{http://www.w3.org/2005/Atom}*[@href='http://diveintomark.org/']")

该查询找出所有包含href属性并且其值为http://diveintomark.org/的Atom元素。

>>> tree.findall('//{NS}author[{NS}uri]'.format(NS=NS))

在简单的字符串格式化后（要不然这条复合查询语句会变得特别长），它搜索名字空间Atom中包含uri元素作为子元素的author元素。该条语句只返回了第一个和第二个entry元素中的author元素。最后一个entry元素中的author只包含有name属性，没有uri。

>>> entries = tree.xpath("//atom:category[@term='accessibility']/..", namespaces=NSMAP)

这就是一个XPath查询请求。这个XPath表达式目的在于搜索category元素，并且该元素包含有值为accessibility的term属性。但是那并不是查询的结果。请看查询字符串的尾端；是否注意到了/..这一块？它的意思是，“然后返回已经找到的category元素的父元素。”所以这条XPath查询语句会找到所有包含作为子元素的条目。

>>> entry.xpath('./atom:title/text()', namespaces=NSMAP)

XPath表达式并不总是会返回一个元素列表。技术上说，一个解析了的XML文档的DOM模型并不包含元素；它只包含结点(node)。依据它们的类型，结点可以是元素，属性，甚至是文本内容。XPath查询的结果是一个结点列表。当前查询返回一个文本结点列表：title元素(atom:title)的文本内容(text())，并且title元素必须是当前元素的子元素(./)。

以下的内容不看了，用到时候再说吧

12.7. 生成XML

12.8. 解析破损的XML