Python-解析 XML

• 簡介

  XML 全稱 Extensible Markup Language，中文譯為可擴展標記語言。

• XML 之前有兩個先行者：SGML 和 HTML，率先登場的是 SGML， 盡管它功能強大，但文檔結構復雜，既不容易學也不易於使用，因此幾個主要的瀏覽器廠商均拒絕支持 SGML，這些因素限制了 SGML 在網上的傳播性；1989 年 HTML 登場，它繼承了 SGML 諸多優點，去除了 SGML 復雜龐大的缺點，HTML 在數據顯示上表現十分出色，但它的語法是不可擴展的，因此其無法描述數據、可讀性差，沒辦法人們再次將目光轉向 SGML，經過對 SGML 一系列改造，終於在 1998 年，XML 第一個版本問世。

• 簡單來說就是：XML 和 HTML 均由 SGML 改造而來，HTML 是一種頁面技術，聚焦的是數據的顯示，而 XML 易於擴展，主要用來傳送和存儲數據，聚焦的是數據的內容。

• 解析

  解析方式

  Python 有三種 XML 解析方式：SAX（simple API for XML）、DOM（Document Object Model）、ElementTree。

  • DOM 方式：DOM 中文譯為文檔對象模型，是 W3C 組織推薦的標准編程接口，它將 XML 數據在內存中解析成一個樹，通過對樹的操作來操作 XML。

  • SAX 方式：SAX 是一個用於處理 XML 事件驅動的模型，它逐行掃描文檔，一邊掃描一邊解析，對於大型文檔的解析擁有巨大優勢，盡管不是 W3C 標准，但它卻得到了廣泛認可。

  • ElementTree 方式：ElementTree 相對於 DOM 來說擁有更好的性能，與 SAX 性能差不多，API 使用也很方便。

  具體實現

  在具體解析之前我們先准備一個 XML，如下所示：

• test.xml

• <?xml version="1.0" encoding="utf-8"?>
  <list>
  <student id="stu1" name="stu">
     <id>1001</id>
     <name>張三</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，首先要對其 API 有一定了解，如果不了解，網上的教程也比較多，比如：DOM 教程，下面看一下使用示例。

• from xml.dom.minidom import parse
  
  # 讀取文件
  dom = parse('test.xml')
  # 獲取文檔元素對象
  data = dom.documentElement
  # 獲取 student
  stus = data.getElementsByTagName('student')
  for stu in stus:
      # 獲取標簽屬性值
      st_id = stu.getAttribute('id')
      st_name = stu.getAttribute('name')
      # 獲取標簽中內容
      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)

   

• 輸出結果：

• st_id: stu1 , st_name: stu
  id: 1001 , name: 張三 , age: 22 , gender: 男
  st_id: stu2 , st_name: stu
  id: 1002 , name: 李四 , age: 21 , gender: 女

   

• 通過輸出結果，我們可以發現已經獲取了標簽屬性值和標簽內容了。

• SAX 方式解析

  使用 SAX 解析 XML 文檔主要涉及到解析器和事件處理器，解析器負責讀取 XML 文檔，並向事件處理器發送事件，事件處理器負責對事件作出響應，對傳遞的 XML 數據進行處理。

  Python 使用 SAX 處理 XML 需要用到 xml.sax 中的 parse 函數和 xml.sax.handler 中的 ContentHandler 類，下面看一下 ContentHandler 類中的一些方法。

  • characters(content)：調用時機：從行開始，遇到標簽之前，存在字符，content 的值為這些字符串；從一個標簽，遇到下一個標簽之前， 存在字符，content 的值為這些字符串；從一個標簽，遇到行結束符之前，存在字符，content 的值為這些字符串。

  • startDocument()：文檔啟動的時候調用。

  • endDocument()：解析器到達文檔結尾時調用。

  • startElement(name, attrs)：遇到 XML 開始標簽時調用，name 是標簽的名字，attrs 是標簽的屬性值字典。

  • endElement(name)：遇到 XML 結束標簽時調用。

  下面通過示例看一下如何通過 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 = ""
  
      # 元素開始調用
      def startElement(self, tag, attributes):
          self.CurrentData = tag
          if tag == "student":
              stu_name = attributes["name"]
              print("stu_name:", stu_name)
  
      # 元素結束調用
      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 = ""
  
      # 讀取字符時調用
      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__"):
      # 創建 XMLReader
      parser = xml.sax.make_parser()
      # 關閉命名空間
      parser.setFeature(xml.sax.handler.feature_namespaces, 0)
      # 重寫 ContextHandler
      Handler = StudentHandler()
      parser.setContentHandler(Handler)
      parser.parse("test.xml")

   

• 輸出結果：

• stu_name: stu
  id: 1001
  name: 張三
  age: 22
  gender: 男
  stu_name: stu
  id: 1002
  name: 李四
  age: 21
  gender: 女

   

• ElementTree 方式解析

  Python 提供了兩種 ElementTree 的實現方式。一個是純 Python 實現的 xml.etree.ElementTree，另一個是 C 語言實現 xml.etree.cElementTree，使用 C 語言實現的方式速度更快且內存消耗更少。Python3.3 之后，ElemenTree 模塊會自動優先使用 C 加速器，如果不存在 C 實現，則會使用 Python 實現。因此，使用 Python3.3+ 時，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")
  # 根節點
  root = tree.getroot()
  # 標簽名
  print('root_tag:',root.tag)
  for stu in root:
      # 屬性值
      print ("stu_name:", stu.attrib["name"])
      # 標簽中內容
      print ("id:", stu[0].text)
      print ("name:", stu[1].text)
      print("age:", stu[2].text)
      print("gender:", stu[3].text)

   

• 輸出結果：

• root_tag: list
  stu_name: stu
  id: 1001
  name: 張三
  age: 22
  gender: 男
  stu_name: stu
  id: 1002
  name: 李四
  age: 21
  gender: 女