python XML文件解析：用ElementTree解析XML

Python標准庫中，提供了ET的兩種實現。一個是純Python實現的xml.etree.ElementTree，另一個是速度更快的C語言實現xml.etree.cElementTree。請記住始終使用C語言實現，因為它的速度要快很多，而且內存消耗也要少很多。如果你所使用的Python版本中沒有cElementTree所需的加速模塊，你可以這樣導入模塊

try:
  import xml.etree.cElementTree as ET
except ImportError:
  import xml.etree.ElementTree as ET

 

 

xml file

<?xml version="1.0"?>
<doc>
  <branch name="codingpy.com" hash="1cdf045c">
    text,source
  </branch>
  <branch name="release01" hash="f200013e">
    <sub-branch name="subrelease01">
      xml,sgml
    </sub-branch>
  </branch>
  <branch name="invalid">
  </branch>
</doc>

 

1、將XML文檔解析為樹（tree)

加載這個文檔，並進行解析

>>> import xml.etree.ElementTree as ET

>>> tree = ET.ElementTree(file='doc1.xml')

 獲取根元素（root element）：

>>> tree.getroot()

<Element 'doc' at 0x11eb780>

 根元素（root）是一個Element對象,看根元素都有哪些屬性：

>>> root = tree.getroot()

>>> root.tag, root.attrib

('doc', {})

 根元素並沒有屬性。與其他Element對象一樣，根元素也具備遍歷其直接子元素的接口：

>>> for child_of_root in root:
...  print child_of_root.tag, child_of_root.attrib
...
branch {'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}
branch {'name': 'invalid'}

 還可以通過索引值來訪問特定的子元素：

>>> root[0].tag, root[0].text
('branch', '\n    text,source\n  ')

 

 2、查找需要的元素

Element對象有一個iter方法，可以對某個元素對象之下所有的子元素進行深度優先遍歷（DFS）。ElementTree對象同樣也有這個方法。下面是查找XML文檔中所有元素的最簡單方法：

>>> for elem in tree.iter():
...  print elem.tag, elem.attrib
...
doc {}
branch {'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}
sub-branch {'name': 'subrelease01'}
branch {'name': 'invalid'}

 可以對樹進行任意遍歷——遍歷所有元素，查找出自己感興趣的屬性。但是ET可以讓這個工作更加簡便、快捷。iter方法可以接受tag名稱，然后遍歷所有具備所提供tag的元素：

>>> for elem in tree.iter(tag='branch'):
...  print elem.tag, elem.attrib
...
branch {'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}
branch {'name': 'invalid'}

 

3、支持通過XPath查找元素

使用XPath查找感興趣的元素，更加方便。Element對象中有一些find方法可以接受Xpath路徑作為參數，find方法會返回第一個匹配的子元素，findall以列表的形式返回所有匹配的子元素, iterfind則返回一個所有匹配元素的迭代器（iterator）。ElementTree對象也具備這些方法，相應地它的查找是從根節點開始的。

下面是一個使用XPath查找元素的示例：

>>> for elem in tree.iterfind('branch/sub-branch'):
...  print elem.tag, elem.attrib
...
sub-branch {'name': 'subrelease01'}

 上面的代碼返回了branch元素之下所有tag為sub-branch的元素。接下來查找所有具備某個name屬性的branch元素：

>>> for elem in tree.iterfind('branch[@name="release01"]'):
...  print elem.tag, elem.attrib
...
branch {'hash': 'f200013e', 'name': 'release01'}

 

4、構建XML文檔

利用ET，很容易就可以完成XML文檔構建，並寫入保存為文件。ElementTree對象的write方法就可以實現這個需求。

一般來說，有兩種主要使用場景。一是你先讀取一個XML文檔，進行修改，然后再將修改寫入文檔，二是從頭創建一個新XML文檔。

修改文檔的話，可以通過調整Element對象來實現。請看下面的例子：

>>> root = tree.getroot()
>>> del root[2]
>>> root[0].set('foo', 'bar')
>>> for subelem in root:
...  print subelem.tag, subelem.attrib
...
branch {'foo': 'bar', 'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}

 在上面的代碼中，我們刪除了root元素的第三個子元素，為第一個子元素增加了新屬性。這個樹可以重新寫入至文件中。最終的XML文檔應該是下面這樣的：

>>> import sys
>>> tree.write(sys.stdout)
<doc>
  <branch foo="bar" hash="1cdf045c" name="codingpy.com">
    text,source
  </branch>
  <branch hash="f200013e" name="release01">
    <sub-branch name="subrelease01">
      xml,sgml
    </sub-branch>
  </branch>
  </doc>

 

請注意，文檔中元素的屬性順序與原文檔不同。這是因為ET是以字典的形式保存屬性的，而字典是一個無序的數據結構。當然，XML也不關注屬性的順序。

從頭構建一個完整的文檔也很容易。ET模塊提供了一個SubElement工廠函數，讓創建元素的過程變得很簡單：

>>> a = ET.Element('elem')
>>> c = ET.SubElement(a, 'child1')
>>> c.text = "some text"
>>> d = ET.SubElement(a, 'child2')
>>> b = ET.Element('elem_b')
>>> root = ET.Element('root')
>>> root.extend((a, b))
>>> tree = ET.ElementTree(root)
>>> tree.write(sys.stdout)
<root><elem><child1>some text</child1><child2 /></elem><elem_b /></root>

 

拿例子敲下