【原】第104天： Python 解析 XML

Python技术 2021-06-17

展开全文

1 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。

上面说了那么多，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。

2 解析

2.1 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。

2.2 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"?><list><student id="stu1" name="stu"> <id>1001</id> <name>张三</name> <age>22</age> <gender>男</gender></student><student id="stu2" name="stu"> <id>1002</id> <name>李四</name> <age>21</age> <gender>女</gender></student></list>

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 import parse

# 读取文件dom = parse('test.xml')# 获取文档元素对象data = dom.documentElement# 获取 studentstus = data.getElementsByTagName('student')for stu in stus:# 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].nodeValue print('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: stuid: 1001 , name: 张三 , age: 22 , gender: 男st_id: stu2 , st_name: stuid: 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。

import xml.sax

class StudentHandler(xml.sax.ContentHandler): def __init__(self): self.id = "" self.name = "" self.age = "" self.gender = ""

# 元素开始调用 def startElement(self, tag, attributes): self.CurrentData = tag if tag == "student": stu_name = attributes["name"] print("stu_name:", stu_name)

# 元素结束调用 def endElement(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 def characters(self, content): if self.CurrentData == "id": self.id = content elif self.CurrentData == "name": self.name = content elif self.CurrentData == "age": self.age = content elif self.CurrentData == "gender": self.gender = content

if (__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: stuid: 1001name: 张三age: 22gender: 男stu_name: stuid: 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。

import xml.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 in root: # 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：