Python进阶学习笔记之XML

---

XML基础知识

XML 全称可扩展标记语言，是一种用于标记电子文件使其具有结构性的标记语言，可以用来标记数据、定义数据类型。

XML 的声明

XML 文档的声明是可选的，如果要声明，需要将其放在文档的第一行最顶端。

<?xml version="1.0" encoding="utf-8"?>

以上定义了 XML 的版本1.0和所使用的编码utf-8。

元素

XML 元素指的是 XML 文件中出现的标签，一个标签分为开始标签和结束标签，结束标签与开始标签名称相同，只是要在前面加一个斜杠/，比如：

<hello></hello>
<to></to>

一个标签中也可以嵌套其他的若干个子标签。但所有的标签必须合理的嵌套，绝不允许交叉嵌套。

格式良好的 XML 文档必须有且仅有一个根元素，其他的元素都是这个元素的子孙元素。

元素的命名规则：

• 名称可以包含字母、数字以及其他的字符
• 名称不能以数字或者标点符号开始
• 名称不能以字母 xml（或者 XML、Xml 等等）开始
• 名称不能包含空格
• 名称是大小写敏感的

XML 没有保留字，元素名称可以任意使用。

属性

一个元素可以有多个属性，每个属性都有它自己的名称和取值。同一个元素下，属性名称不能重复。属性的值一定要用双引号或者单引号括起来，比如：

<date year="2018" month="7" day="28"></date>

属性的命名规范和元素的命名规范一样。

注释

XML 文件中注释采用：<!--注释内容--> 这样的格式，注释没有结束标签，不能嵌套。

---

使用SAX库解析XML

解析器

解析器负责读取 XML 文档，并向事件处理器发送事件，比如元素开始跟元素结束事件。

SAX提供了两个函数：parse和parseString。前者用于从文件中解析 XML 数据，后者用于从字符串中解析 XML 数据。

两个函数的声明如下：

xml.sax.parse( xmlfile, contenthandler)
xml.sax.parseString(xmlstring, contenthandler)

parse函数的第一个参数是 XML 文件的路径，比如:

xml.sax.parse("test.xml",contenthandler)

parseString函数的第一个参数是，含有 XML 数据的字符串，比如：

data = "<data>Hello</data>"
xml.sax.parseString(data,contenthandler)

而它们的第二个参数则是事件处理器。

事件处理器

事件处理器则负责对事件作出响应，对传递的 XML 数据进行处理。

一个事件处理器必须是ContentHandler类型的子类，通过重写父类的以下函数来响应解析器的事件请求：

• cha\fracters(content)函数，它会在以下时机被调用：
  • 如果从一行开始，遇到标签之前，存在字符，则content的值为这些字符串；
  • 如果从一个标签，遇到下一个标签之前，存在字符，则content的值为这些字符串；
  • 如果从一个标签，遇到行结束符（换行符）之前，存在字符，则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。
• startDocument()函数，它在文档启动的时候调用；
• endDocument()函数，它在解析器到达文档结尾时调用；
• startElement(name, attrs)函数，它在遇到 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)函数，它在遇到 XML 结束标签时调用。

---

使用ElementTree解析XML

ElementTree

xml.etree.ElementTree模块是一个轻量级的 DOM(文件对象模型)，具有方便友好的 API。代码可用性好，速度快，消耗内存少。

ElementTree模块大致可以三部分：ElementTree类，Element类以及一些操作 XML 的函数。

解析

xml.etree.ElementTree提供了两个函数：parse和fromstring，用于从文件和字符串解析 XML 数据。

parse函数返回一个ElementTree对象，fromstring返回一个Element对象。

Element对象代表一个 XML 元素。ElementTree对象代表一个 XML 文档，它提供了函数getroot，来获取一个文档的根元素。

查找元素

Element对象和ElementTree对象都提供了用于在子元素查找元素的函数：

• find(name)：用于在直接子元素中，查找一个名为name的元素；
• findall(name)：用于在直接子元素中，查找所有名为name的元素，它的返回值可以看做一个所有元素都是Element对象的tuple对象，可以对它进行迭代操作或者索引[]操作；
• iter(name = None)：用于在当前元素下的所有子元素中，查找名为name的元素，如果不指定name，则返回所有子元素。它返回一个迭代器对象。

获取元素的文本与属性值

Element有一个属性text，这个属性用于获取直接在这个元素的开始、结束标志之间的文本。如果没有文本，则返回空字符串。

如果要获取一个元素的某个属性，可以使用get(name)函数，它会寻找当前元素上名为name的属性。如果找到就返回这个属性的值，没找到则返回空字符串。

---