解析XML主要用到pytohn自带的XML库,其次还是lxml库
XML结构,先以一个相对简单但功能比较全的XML文档为例
dive into markcurrently between addictions
tag:diveintomark.org,2001-07-29:/
2009-03-27T21:56:07Z
Mark
http://diveintomark.org/
Dive into history, 2009 editionhref='http://diveintomark.org/archives/2009/03/27/dive-into-history-2009-edition'/>
tag:diveintomark.org,2009-03-27:/archives/20090327172042
2009-03-27T21:56:07Z
2009-03-27T17:20:42Z
Putting an entire chapter on one page sounds
bloated, but consider this — my longest chapter so far
would be 75 printed pages, and it loads in under 5 seconds…
On dialup.
Mark
http://diveintomark.org/
Accessibility is a harsh mistresshref='http://diveintomark.org/archives/2009/03/21/accessibility-is-a-harsh-mistress'/>
tag:diveintomark.org,2009-03-21:/archives/20090321200928
2009-03-22T01:05:37Z
2009-03-21T20:09:28Z
The accessibility orthodoxy does not permit people to
question the value of features that are rarely useful and rarely used.
Mark
A gentle introduction to video encoding, part 1: container formatshref='http://diveintomark.org/archives/2008/12/18/give-part-1-container-formats'/>
tag:diveintomark.org,2008-12-18:/archives/20081218155422
2009-01-11T19:39:22Z
2008-12-18T15:54:22Z
These notes will eventually become part of a
tech talk on video encoding.
先简单的看一下这个XML的结构
#这里定义了命名空间(namespace) http://www.w3.org/2005/Atom
#这里的没有text,但是里面有相应的属性
href='http://diveintomark.org/archives/2009/03/27/dive-into-history-2009-edition'/>
首先有一个全局的根元素
在根元素下面有title,subtitle,id,update,link,entry子元素
在entry元素下面还有author,title,link,id,updated,published,category,summary子元素 (姑且称为孙元素)
在author元素下面还有name,uri子元素(这该称为曾孙元素了吧~ 哈哈)
结构还是挺清晰的
下面我们用python的方法来一步步的取出在元素<>>这间的content以为元素内的属性
使用的方法主要有
tree = etree.parse() 解析XML
root = tree.getroot() 得到根元素
root.tag 根元素名称
root.attrib 显示元素的属性
root.findall() 查找元素
下面请看代码,都已经将注释与结果写在里面
import xml.etree.ElementTree as etree #将xml.etree.ElementTree引入
tree = etree.parse('feed.xml') #解析XML
root = tree.getroot()
print root
#
#元素即列表
print root.tag
#{http://www.w3.org/2005/Atom}feed
# ElementTree使用{namespace}localname来表达xml元素
for child in root:
print child
#
#
#
#
#
#
#
#
# 这里只显示一级子元素,而子元素的子元素将不会被遍历
#属性即字典
print root.attrib
#{'{http://www.w3.org/XML/1998/namespace}lang': 'en'}
#我们注意到feed下面的link这个元素有属性
print root[4].attrib
#{'href': 'http://diveintomark.org/', 'type': 'text/html', 'rel': 'alternate'}
print root[3].attrib
#{} 将会得到一个空字典,因为updated元素内没有属性值
#查找元素
entrylist = root.findall('{http://www.w3.org/2005/Atom}entry')
print entrylist
# [,
# 3.org/2005/Atom}entry at 18425d0>,
# t 1842968>]
print root.findall('{http://www.w3.org/2005/Atom}author')
# 这里将得到一个空列表,因为author不是feed的直接子元素
#查找子元素
entries = tree.findall('{http://www.w3.org/2005/Atom}entry') #先找到entry元素·
title = entries[0].find('{http://www.w3.org/2005/Atom}title')#接着再找title元素
print title.text
#'Dive into history, 2009 edition'
all_links = tree.findall('//{http://www.w3.org/2005/Atom}link') #在元素前面加'//' 则可以在所有元素里查找包括子元素和孙元素
# [,
# ,
# ,
# ]
print all_links[0].attrib #将会得到这个Link的属性字典
# {'href': 'http://diveintomark.org/',
# 'type': 'text/html',
# 'rel': 'alternate'}
关于XML库解析与查找XML文档基本的方法就这些了,现在通过一个实例来学以至用下
还是回到微信的XML解析上,微信将用户的信息POST到你的服务器上,基本形式如下
1348831860
1234567890123456
现在我们来通过上面介绍的方法来获得元素中的‘this is a test’字段
import xml.etree.ElementTree as etree
weixinxml = etree.parse('weixinpost.xml')
wroot = weixinxml.getroot()
print wroot.tag
for child in wroot:
print child.tag
if wroot.find('Content') is not None:
print wroot.find('Content').text
else:
print 'Nothing found'
这样简单几步就可以把想要的内容取出来了