【Python学习笔记】第二十二节 Python XML 解析

一、什么是XML

XML即ExtentsibleMarkup Language(可扩展标记语言)，是用来定义其它语言的一种元语言。

XML 被设计用来传输和存储数据。

XML 是一套定义语义标记的规则，它没有标签集(tagset)，也没有语法规则(grammatical rule)。任何XML文档对任何类型的应用以及正确的解析都必须是良构的(well-formed)，即每一个打开的标签都必须有匹配的结束标签，不得含有次序颠倒的标签，并且在语句构成上应符合技术规范的要求。

XML文档可以是有效的(valid)，但并非一定要求有效。所谓有效文档是指其符合其文档类型定义(DTD)的文档。如果一个文档符合一个模式(schema)的规定，那么这个文档是模式有效的(schema valid)。

二、Python 对 XML 的解析

常见的 XML 编程接口有 DOM 和 SAX，这两种接口处理 XML 文件的方式不同，当然使用场合也不同。

Python 有三种方法解析 XML，SAX，DOM，以及 ElementTree:

• SAX (simple API for XML )

Python 标准库包含 SAX 解析器，SAX 用事件驱动模型，通过在解析XML的过程中触发一个个的事件并调用用户定义的回调函数来处理XML文件。

• DOM(Document Object Model)

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。

• ElementTree(元素树)

ElementTree就像一个轻量级的DOM，具有方便友好的API。代码可用性好，速度快，消耗内存少。

注：因DOM需要将XML数据映射到内存中的树，一是比较慢，二是比较耗内存，而SAX流式读取XML文件，比较快，占用内存少，但需要用户实现回调函数（handler）。

本章节使用到的 XML 实例文件 works.xml 内容如下：

<collection shelf="New Arrivals">
<works title="电影">
  <names>敦刻尔克</names>
  <author>诺兰</author>
</works>
 <works title="书籍">
  <names>我的职业是小说家</names>
  <author>村上春树</author>
</works>
</collection>

1、python使用SAX解析xml

SAX是一种基于事件驱动的 API。

利用SAX解析XML文档牵涉到两个部分: 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，如元素开始跟元素结束事件。

而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。

• 1、对大型文件进行处理；

• 2、只需要文件的部分内容，或者只需从文件中得到特定信息。

• 3、想建立自己的对象模型的时候。

在python中使用sax方式处理xml要先引入xml.sax中的parse函数，还有xml.sax.handler中的ContentHandler。

1.1、ContentHandler类方法介绍

characters(content)方法

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。

标签可以是开始标签，也可以是结束标签。

startDocument() 方法

文档启动的时候调用。

endDocument() 方法

解析器到达文档结尾时调用。

startElement(name, attrs)方法

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) 方法

遇到XML结束标签时调用。

1.2、make_parser方法

以下方法创建一个新的解析器对象并返回。

xml.sax.make_parser( [parser_list] )

参数说明:

• parser_list - 可选参数，解析器列表

1.3parser方法

以下方法创建一个 SAX 解析器并解析xml文档：

xml.sax.parse( xmlfile, contenthandler[, errorhandler])

参数说明:

• xmlfile - xml文件名

• contenthandler - 必须是一个ContentHandler的对象

• errorhandler - 如果指定该参数，errorhandler必须是一个SAX ErrorHandler对象

1.4、parseString方法

parseString方法创建一个XML解析器并解析xml字符串：

xml.sax.parseString(xmlstring, contenthandler[, errorhandler])

参数说明:

• xmlstring - xml字符串

• contenthandler - 必须是一个ContentHandler的对象

• errorhandler - 如果指定该参数，errorhandler必须是一个SAX ErrorHandler对象

1.5、Python 解析XML实例

# coding=utf-8

import xml.sax
import xml.sax.handler


class WorksHandler(xml.sax.ContentHandler):
    def __init__(self):
        self.CurrentData = ""
        self.names = ""
        self.author = ""

    # 元素开始事件处理
    def startElement(self, tag, attributes):
        self.CurrentData = tag
        if tag == "works":
            print("***内容***")
            title = attributes["title"]
            print("类型：", title)

    # 元素结束事件处理
    def endElement(self, tag):
        if self.CurrentData == "names":
            print("名称：", self.names)
        elif self.CurrentData == "author":
            print("作者：", self.author)
        self.CurrentData = ""

    # 内容事件处理
    def characters(self, content):
        if self.CurrentData == "names":
            self.names = content
        elif self.CurrentData == "author":
            self.author = content


if __name__ == "__main__":
    # 创建一个XMLReader
    parser = xml.sax.make_parser()
    parser.setFeature(xml.sax.handler.feature_namespaces, 0)
    # 重写ContextHandler
    Handler = WorksHandler()
    parser.setContentHandler(Handler)
    parser.parse("works.xml")

2、使用xml.dom解析xml

文件对象模型（Document Object Model，简称DOM），是W3C组织推荐的处理可扩展置标语言的标准编程接口。

一个 DOM 的解析器在解析一个 XML 文档时，一次性读取整个文档，把文档中所有元素保存在内存中的一个树结构里，之后你可以利用DOM 提供的不同的函数来读取或修改文档的内容和结构，也可以把修改过的内容写入xml文件。

python中用xml.dom.minidom来解析xml文件，实例如下：

# coding=utf-8

from xml.dom.minidom import parse
import xml.dom.minidom

# 使用minidom解析器打开 XML 文档
DOMTree = xml.dom.minidom.parse("works.xml")
collection = DOMTree.documentElement
if collection.hasAttribute("shelf"):
    print("Root element : %s" % collection.getAttribute("shelf"))

# 在集合中获取所有works
workList = collection.getElementsByTagName("works")

# 打印works的详细信息
for works in workList:
    print("*****works*****")
    if works.hasAttribute("title"):
        print("Title: %s" % works.getAttribute("title"))

    names = works.getElementsByTagName('names')[0]
    print("Names: %s" % names.childNodes[0].data)
    author = works.getElementsByTagName('author')[0]
    print("Author: %s" % author.childNodes[0].data)