简介
XML 全称 Extensible Markup Language,中文译为可扩展标记语言。
XML 之前有两个先行者:SGML 和 HTML,率先登场的是 SGML, 尽管它功能强大,但文档结构复杂,既不容易学也不易于使用,因此几个主要的浏览器厂商均拒绝支持 SGML,这些因素限制了 SGML 在网上的传播性;1989 年 HTML 登场,它继承了 SGML 诸多优点,去除了 SGML 复杂庞大的缺点,HTML 在数据显示上表现十分出色,但它的语法是不可扩展的,因此其无法描述数据、可读性差,没办法人们再次将目光转向 SGML,经过对 SGML 一系列改造,终于在 1998 年,XML 第一个版本问世。
简单来说就是:XML 和 HTML 均由 SGML 改造而来,HTML 是一种页面技术,聚焦的是数据的显示,而 XML 易于扩展,主要用来传送和存储数据,聚焦的是数据的内容。
解析
解析方式
Python 有三种 XML 解析方式:SAX(simple API for XML)、DOM(Document Object Model)、ElementTree。
DOM 方式:DOM 中文译为文档对象模型,是 W3C 组织推荐的标准编程接口,它将 XML 数据在内存中解析成一个树,通过对树的操作来操作 XML。
SAX 方式:SAX 是一个用于处理 XML 事件驱动的模型,它逐行扫描文档,一边扫描一边解析,对于大型文档的解析拥有巨大优势,尽管不是 W3C 标准,但它却得到了广泛认可。
ElementTree 方式:ElementTree 相对于 DOM 来说拥有更好的性能,与 SAX 性能差不多,API 使用也很方便。
具体实现
在具体解析之前我们先准备一个 XML,如下所示:
test.xml
<?xml version="1.0" encoding="utf-8"?>
1001
张三
22
男
1002
李四
21
女
DOM 方式解析
使用 DOM 方式,首先要对其 API 有一定了解,如果不了解,网上的教程也比较多,比如:DOM 教程,下面看一下使用示例。
from xml.dom.minidom importparse#读取文件
dom = parse('test.xml')#获取文档元素对象
data =dom.documentElement#获取 student
stus = data.getElementsByTagName('student')for stu instus:#获取标签属性值
st_id = stu.getAttribute('id')
st_name= stu.getAttribute('name')#获取标签中内容
id = stu.getElementsByTagName('id')[0].childNodes[0].nodeValue
name= stu.getElementsByTagName('name')[0].childNodes[0].nodeValue
age= stu.getElementsByTagName('age')[0].childNodes[0].nodeValue
gender= stu.getElementsByTagName('gender')[0].childNodes[0].nodeValueprint('st_id:', st_id, ', st_name:',st_name)print('id:', id, ', name:', name, ', age:', age, ', gender:',gender)
输出结果:
st_id: stu1 , st_name: stu
id:1001 , name: 张三 , age: 22, gender: 男
st_id: stu2 , st_name: stu
id:1002 , name: 李四 , age: 21 , gender: 女
通过输出结果,我们可以发现已经获取了标签属性值和标签内容了。
SAX 方式解析
使用 SAX 解析 XML 文档主要涉及到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,事件处理器负责对事件作出响应,对传递的 XML 数据进行处理。
Python 使用 SAX 处理 XML 需要用到 xml.sax 中的 parse 函数和 xml.sax.handler 中的 ContentHandler 类,下面看一下 ContentHandler 类中的一些方法。
characters(content):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。
startDocument():文档启动的时候调用。
endDocument():解析器到达文档结尾时调用。
startElement(name, attrs):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):遇到 XML 结束标签时调用。
下面通过示例看一下如何通过 SAX 方式解析 XML。
importxml.saxclassStudentHandler(xml.sax.ContentHandler):def __init__(self):
self.id= ""self.name= ""self.age= ""self.gender= ""
#元素开始调用
defstartElement(self, tag, attributes):
self.CurrentData=tagif tag == "student":
stu_name= attributes["name"]print("stu_name:", stu_name)#元素结束调用
defendElement(self, tag):if self.CurrentData == "id":print("id:", self.id)elif self.CurrentData == "name":print("name:", self.name)elif self.CurrentData == "age":print("age:", self.age)elif self.CurrentData == "gender":print("gender:", self.gender)
self.CurrentData= ""
#读取字符时调用
defcharacters(self, content):if self.CurrentData == "id":
self.id=contentelif self.CurrentData == "name":
self.name=contentelif self.CurrentData == "age":
self.age=contentelif self.CurrentData == "gender":
self.gender=contentif (__name__ == "__main__"):#创建 XMLReader
parser =xml.sax.make_parser()#关闭命名空间
parser.setFeature(xml.sax.handler.feature_namespaces, 0)#重写 ContextHandler
Handler =StudentHandler()
parser.setContentHandler(Handler)
parser.parse("test.xml")
输出结果:
stu_name: stu
id:1001name: 张三
age:22gender: 男
stu_name: stu
id:1002name: 李四
age:21gender: 女
ElementTree 方式解析
Python 提供了两种 ElementTree 的实现方式。一个是纯 Python 实现的 xml.etree.ElementTree,另一个是 C 语言实现 xml.etree.cElementTree,使用 C 语言实现的方式速度更快且内存消耗更少。Python3.3 之后,ElemenTree 模块会自动优先使用 C 加速器,如果不存在 C 实现,则会使用 Python 实现。因此,使用 Python3.3+ 时,只需要 import xml.etree.ElementTree 即可。下面看一下示例。
importxml.etree.ElementTree as ET
tree= ET.parse("test.xml")#根节点
root =tree.getroot()#标签名
print('root_tag:',root.tag)for stu inroot:#属性值
print ("stu_name:", stu.attrib["name"])#标签中内容
print ("id:", stu[0].text)print ("name:", stu[1].text)print("age:", stu[2].text)print("gender:", stu[3].text)
输出结果:
root_tag: list
stu_name: stu
id:1001name: 张三
age:22gender: 男
stu_name: stu
id:1002name: 李四
age:21gender: 女