【Python】解析 XML

1、Python 对 XML 的解析

1.1 SAX (simple API for XML )

SAX 解析器使用事件驱动模型，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。

xml.sax 模块牺牲了便捷性来换取速度和内存占用。

事件驱动指一种基于回调（callback）机制的程序运行方法。

利用SAX解析XML文档牵涉到两个部分:

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。
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。

SAX适用场景：

对大型文件进行处理；
只需要文件的部分内容，或者只需从文件中得到特定信息。
想建立自己的对象模型的时候。

1.2 DOM(Document Object Model)

DOM 解析器在任何处理开始之前，必须把基于XML文件生成的树状数据放在内存，所以DOM解析器的内存使用量完全根据输入资料的大小。

xml.dom.minidom
minidom 是DOM API的极简化实现，比完整版的DOM要简单的多，而且这个包也小的多。
xml.dom.pulldom
pulldom模块提供的是一个“pull解析器”，其背后的基本概念指的是从XML流中pull事件，然后进行处理。虽然与SAX一样采用事件驱动模型（event-driven processing model），但是不同的是，使用pull解析器时，使用者需要明确地从XML流中pull事件，并对这些事件遍历处理，直到处理完成或者出现错误。

1.3 ElementTree(元素树)

xml.etree.ElementTree 模块提供了一个轻量级、Pythonic的API，同时还有一个高效的C语言实现，即 xml.etree.cElementTree 。

与 DOM 相比，ET的速度更快，API使用更直接、方便。
与 SAX 相比，ET.iterparse 函数同样提供了按需解析的功能，不会一次性在内存中读入整个文档。ET的性能与SAX模块大致相仿，但是它的API更加高层次，用户使用起来更加便捷。

1.4 xml.parser.expat

xml.parser.expat 提供了对C语言编写的expat解析器的一个直接的、底层API接口。expat接口与SAX类似，也是基于事件回调机制，但是这个接口并不是标准化的，只适用于expat库。

expat是一个面向流的解析器。您注册的解析器回调（或handler）功能，然后开始搜索它的文档。当解析器识别该文件的指定的位置，它会调用该部分相应的处理程序（如果您已经注册的一个）。该文件被输送到解析器，会被分割成多个片断，并分段装到内存中。因此expat可以解析那些巨大的文件。

1.5 lxml

lxml 是一个第三方库，它提供了更强大的XML处理功能，包括XPath支持、XML Schema验证、HTML支持等。

1.6 xmltodict

xmltodict是一个第三方库，它提供了一个功能，将Python的字典对象转换为XML，反之亦然。

2、示例

XML 实例文件 movies.xml 内容如下：

<collection shelf="New Arrivals">
<movie title="Enemy Behind"><type>War, Thriller</type><format>DVD</format><year>2003</year><rating>PG</rating><stars>10</stars><description>Talk about a US-Japan war</description>
</movie>
<movie title="Transformers"><type>Anime, Science Fiction</type><format>DVD</format><year>1989</year><rating>R</rating><stars>8</stars><description>A schientific fiction</description>
</movie><movie title="Trigun"><type>Anime, Action</type><format>DVD</format><episodes>4</episodes><rating>PG</rating><stars>10</stars><description>Vash the Stampede!</description>
</movie>
<movie title="Ishtar"><type>Comedy</type><format>VHS</format><rating>PG</rating><stars>2</stars><description>Viewable boredom</description>
</movie>
</collection>

2.1 xml.sax

#!/usr/bin/python
# -*- coding: UTF-8 -*-import xml.saxclass MovieHandler( xml.sax.ContentHandler ):def __init__(self):self.CurrentData = ""self.type = ""self.format = ""self.year = ""self.rating = ""self.stars = ""self.description = ""# 元素开始事件处理def startElement(self, tag, attributes):self.CurrentData = tagif tag == "movie":print "*****Movie*****"title = attributes["title"]print "Title:", title# 元素结束事件处理def endElement(self, tag):if self.CurrentData == "type":print "Type:", self.typeelif self.CurrentData == "format":print "Format:", self.formatelif self.CurrentData == "year":print "Year:", self.yearelif self.CurrentData == "rating":print "Rating:", self.ratingelif self.CurrentData == "stars":print "Stars:", self.starselif self.CurrentData == "description":print "Description:", self.descriptionself.CurrentData = ""# 内容事件处理def characters(self, content):if self.CurrentData == "type":self.type = contentelif self.CurrentData == "format":self.format = contentelif self.CurrentData == "year":self.year = contentelif self.CurrentData == "rating":self.rating = contentelif self.CurrentData == "stars":self.stars = contentelif self.CurrentData == "description":self.description = contentif ( __name__ == "__main__"):# 创建一个 XMLReaderparser = xml.sax.make_parser()# turn off namepsacesparser.setFeature(xml.sax.handler.feature_namespaces, 0)# 重写 ContextHandlerHandler = MovieHandler()parser.setContentHandler( Handler )parser.parse("movies.xml")

运行结果：

*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Year: 2003
Rating: PG
Stars: 10
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Year: 1989
Rating: R
Stars: 8
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Stars: 10
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Stars: 2
Description: Viewable boredom

2.2 xml.dom

#!/usr/bin/python
# -*- 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("movies.xml")
collection = DOMTree.documentElement
if collection.hasAttribute("shelf"):print "Root element : %s" % collection.getAttribute("shelf")# 在集合中获取所有电影
movies = collection.getElementsByTagName("movie")# 打印每部电影的详细信息
for movie in movies:print "*****Movie*****"if movie.hasAttribute("title"):print "Title: %s" % movie.getAttribute("title")type = movie.getElementsByTagName('type')[0]print "Type: %s" % type.childNodes[0].dataformat = movie.getElementsByTagName('format')[0]print "Format: %s" % format.childNodes[0].datarating = movie.getElementsByTagName('rating')[0]print "Rating: %s" % rating.childNodes[0].datadescription = movie.getElementsByTagName('description')[0]print "Description: %s" % description.childNodes[0].data

运行结果：

Root element : New Arrivals
*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Rating: PG
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Rating: R
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Description: Viewable boredom

2.3 xml.etree.ElementTree

import xml.etree.ElementTree as ETxml_string = '''<book id="10086"><title lang="en">Good Omens</title><authors><name>Neil Gaiman</name><name>Terry Pratchett</name></authors><year>1990</year></book>'''root = ET.fromstring(xml_string)# 获取根元素的标签
print(root.tag)# 获取根元素的文本内容
print(root.text)# 获取根元素的属性
print(root.attrib)# 查找第一个title元素
print(root.find("title").text)# 查找所有author元素
names = root.find("authors").findall("name")
for name in names:print(name.text)# 修改title元素的文本内容
root.find("title").text = "The Nice and Accurate Prophecies of Agnes Nutter, Witch"# 添加一个新的元素
new_year = ET.SubElement(root, "year")
new_year.text = "2024"# 将修改后的元素转换为字符串
new_xml_string = ET.tostring(root, encoding="unicode")
print(new_xml_string)

运行结果：

book{'id': '10086'}
Good Omens
Neil Gaiman
Terry Pratchett
<book id="10086"><title lang="en">The Nice and Accurate Prophecies of Agnes Nutter, Witch</title><authors><name>Neil Gaiman</name><name>Terry Pratchett</name></authors><year>1990</year><year>2024</year></book>