对于简单的XML解析处理, 可以使用标准库xml
, 相对于第三方库 lxml
,xml
无需额外安装, 但xml
是用 Python 实现的, 性能不如lxml
XML 的解析功能主要由xml.etree.ElementTree
模块完成, 其中包含两个类, ElementTree
用于表示整个 XML 文档, 而Element
表示文档中的一个节点
示例数据, 命名为 book.xml
<?xml version="1.0"?>
<bookstore>
<book name="西游记">
<author>吴承恩</author>
<dynasty>明朝</dynasty>
<similar name="封神演义" author="许仲琳"/>
</book>
<book name="红楼梦">
<author>曹雪芹</author>
<dynasty>清朝</dynasty>
</book>
<book name="三国演义">
<author>罗贯中</author>
<dynasty>明末清初</dynasty>
<similar name="三国志" author="陈寿"/>
</book>
</bookstore>
导入要解析的 XML 文档, 并获取文档的根节点
import xml.etree.ElementTree as ET
tree = ET.parse("./book.xml")
root = tree.getroot()
也可以直接解析字符串
with open("./book.xml") as fp:
root = ET.fromstring(fp.read())
对于每一个节点Element
:
- 通过列表接口可以访问直接子节点
- 通过字典接口可以访问属性节点, 也可通过 attrib 属性(例如
root.attrib
)得到真正的字典
其他还有tag
属性表示标签名, text
表示其包含的文本内容
# 遍历直接子节点
for book in root:
print(book.tag, book.attrib, book.get("name"))
# 访问根节点下的第2个子节点, 再向下访问第1个子节点的文本, 也就是 "<author>曹雪芹</author>"
author = root[1][0].text
print(type(author), author)
打印输出
book {'name': '西游记'} 西游记
book {'name': '红楼梦'} 红楼梦
book {'name': '三国演义'} 三国演义
<class 'str'> 曹雪芹
获取到的文本结果与 lxml
不同, 这里的结果直接是字符串类型
递归函数, 可以遍历所有的后代节点
# 递归选择所有标签名为 "similar" 的节点
for book in root.iter("similar"):
print(book.attrib)
打印输出
{'name': '封神演义', 'author': '许仲琳'}
{'name': '三国志', 'author': '陈寿'}
XPath 语法
XPath 类似于文件路径, 路径中最末尾的部分表示要提取的内容, 分隔符有两种, "/"表示直接子节点的关系, "//"表示所有的子节点
语法 | 含义 |
---|---|
tag | 匹配特定标签 |
* | 匹配所有元素 |
. | 当前节点, 用于相对路径 |
… | 父节点 |
[@attrib] | 匹配包含 attrib 属性的节点 |
[@attrib=‘value’] | 匹配 attrib 属性等于 value 的节点 |
[tag] | 匹配包含直接子节点 tag 的节点 |
[tag=‘text’] | 匹配包含直接子节点 tag 且子节点文本内容为 text 的节点 |
[n] | 匹配第 n 个节点 |
[] 前面必须有标签名, book[@name][similar] 匹配带有 name 属性以及 similar 直接子节点的 book 节点, 然后将 book[@name][similar] 置于 XPath 路径中, 例如 “/bookstore/book[@name][similar]”
可以通过Element
对象的方法findall(path)
和find(path)
使用 XPath 语法, 次时路径是从Element
代表的节点开始, 也可以通过ElementTree
对象调用findall
与find
, 相当于路径从根节点开始
匹配到节点,findall
返回所有匹配节点的列表,find
返回首个匹配节点, 没有匹配到节点时,findall
返回空列表,find
返回None
# . 表示 bookstore 节点
author_1 = tree.find("./book[@name='红楼梦']/author").text
author_2 = tree.findtext("./book[@name='红楼梦']/author")
print("红楼梦作者:", author_1, author_2)
author_3 = root.find("./book/similar[@name='三国志']").get("author")
print("三国志作者:", author_3)
打印结果
红楼梦作者: 曹雪芹 曹雪芹
三国志作者: 陈寿
findtext
类似于find
, 直接获取节点的文本内容
books_1 = root.findall("./book[similar]")
# 对于直接子节点, 可以省略 ./
books_2 = root.findall("book[similar]")
print(books_1 == books_2)
for book in books_1:
print(book[0].text, book[1].text)
打印结果
True
吴承恩 明朝
罗贯中 明末清初