新手学python（1）：解析XML与系统调用

最近需要做一个项目，完成一批音乐的格式转换。由于之前并未学习过python，所以想借此机会学一下。在介绍自己的学习过程之前，先把项目简要描述一下。目前在一台服务器a上有几十万首原始的MP3音乐文件，现在需要将其转换成wav文件进行后续的指纹提取，提取过程可以在a上完成。不过指纹匹配的过程需要耗费几十G的内存，服务器a上没有这么多内存，所以匹配过程需要在服务器b上完成。此外，为了方便今后对几十万首歌的检索，需要将歌曲信息存入数据库，数据库架设在服务器b上。现在比较麻烦的一点是，原始MP3音乐的信息目前存在与一系列的xml文件中，我们需要解析xml文件获取音乐信息然后存入数据库。整个运行流程如图一。

图1 项目的运行流程

之前见很多人用python，说它的各种好处，几行代码就可以构造一个爬虫，我很怀疑。为了跟上时代潮流，我也还是学习一下，看看python到底多牛。

首先从同事那里借了本《Python核心编程》，看了两天，大体熟悉了一下python。如果从现在的角度来看此书，我感觉这本书真是烂透了，内容虽然很全，但都是浅尝辄止。如果说适合于初学者，但是很多概念又没解释清楚，内容介绍比较混乱。肯定不适合高级程序员，建议大家搜索新的python书籍。不过烂归烂，我初学python就是靠它了。

其实一门语言的学习，了解基本语法只需要一天；能尝试应用只需要两天；但是想熟练使用，尤其是各个库的使用，得需要常年累月的积累。所以大家不要对新语言有抵触心理，上手都比较容易，写个hello world程序真是分分钟的事。好了，下面开始介绍自己学习python时用到的几个应用。

1解析XML文件

我面临的第一个任务是如何解析xml文件获得歌曲信息。存有歌曲信息的xml文件非常复杂，简化版的xml内容如下：

……

20072009
 ……

    
      
        ……
        
          ……
          
          ……
          
            
              Classical
              true
            
          
          
            
              Artist
              Orchestra del Maggio Musicale Fiorentino
              true
            
			  ……
		  
		  
            
              Music
              00000000000020961825_01_001_25003.mp3
            
          
		   ……

……
      	 
       
  	
	……
  

其简化版的层次结构如图二。

图2 xml的层次结构图

我需要通过解析xml文件获得音乐的专辑，发行时间，歌曲名，作者，类型，原始文件名，目录，大小等信息。看似复杂，但是解析用到的函数就几个：

• getElementsByTagName：获得父标签下所有指定的标签，结果是一个nodeList；
• childNodes：获得一个标签的所有子标签，结果是一个nodeList；
• nodeValue：获得标签的值。

具体的解析过程就是反复利用上面这三个函数逐层进行解析。解析代码如下：

from xml.dom import minidom

class ParseXML(object):
    
    @staticmethod
    def parse(file):
        results=list();
        results.append(os.path.dirname(file));

        doc=minidom.parse(file);
        doc.toxml('utf-8');
        root=doc.documentElement;
        product=root.getElementsByTagName('Product');
        children=product[0].childNodes;#the result is a list,even though only one element, we must use index to visit the function
        for child in children:#parse an album
            if child.nodeName=='Title':
                results.append(child.childNodes[0].nodeValue.encode('utf-8','ignore').strip());
        elif child.nodeName=='Physical_release_date': 
            results.append(child.childNodes[0].nodeValue.encode('utf-8','ignore').strip());
            elif child.nodeName=='Container':
                medias=child.getElementsByTagName('Media');
                for media in medias:#parse every music
                    medium=media.getElementsByTagName('Medium');
                    for m in medium:
                        result=list();
                        attributes=m.childNodes;
                        for attribute in attributes:
                            if attribute.nodeName=='Title': 
                              result.append(attribute.childNodes[0].nodeValue.encode('utf-8','ignore').strip());
                            elif attribute.nodeName=='Genres':
                                genre=attribute.getElementsByTagName('Genre');
                                genre_name=genre[0].getElementsByTagName('Genre_name');
                                result.append(genre_name[0].childNodes[0].nodeValue.encode('utf-8','ignore').strip());
                            elif attribute.nodeName=='Participants':
                                participant=attribute.getElementsByTagName('Participant');
                                full_name=participant[0].getElementsByTagName('Participant_full_name');
                                result.append(full_name[0].childNodes[0].nodeValue.encode('utf-8','ignore').strip());
                            elif attribute.nodeName=='Master_file':
                                audio_file=attribute.getElementsByTagName('Audio_file');
                                filename=audio_file[0].getElementsByTagName('Filename');
                                result.append(filename[0].childNodes[0].nodeValue.encode('utf-8','ignore'));
                                full_name=os.path.join(os.path.dirname(file),filename[0].childNodes[0].nodeValue.encode('utf-8','ignore'));
                                result.append(os.path.getsize(full_name)); 
                        results.append(result);
        results.append(len(results)-3);
        return results;

代码比较长，但是逻辑比较简单。首先加载root，然后获得root的Product标签。需要注意的一点是getElementsByTagName返回的是一个列表，即使只有一个子标签，我们也要用下标的形式访问。获得Product标签之后，就利用childNodes函数解析获得所有的子标签。从子标签中我们可以直接解析获得音乐的专辑和发行时间。为了获得其他信息，我们需要进一步解析Container标签，解析方法和Product标签的解析类似。

       还有两点需要解释。第一，Product标签的子节点不只有字面上的Title等标签，还有换行也是标签。如果我们将Product的子节点都打印出来，结果类似于：

[, , ,……]。

可以看到，列表的第一个元素是Textnode，第二个元素才是Title标签。这表明minidom将换行解析为一个独立的元素。所以在解析如：

    Value

的标签时，它实际上有三个子标签。第二，在获取一个标签的内容时，也必须通过childNodes函数来获取。例如，我们要获得Title的内容，如果我们直接访问title的内容，则会返回None。所以我们首先返回Title标签的所有子标签，然后获得子标签的内容。

       代码为了后续应用，将解析的结果存入一个列表中。此外，由于歌曲名等可能有非ascii码，代码还用utf-8对结果进行了编码。

2 系统调用

       Python作为一种脚本语言，肯定少不了调用系统命令执行一些任务。Python中主要有两个函数system和popen，都在os库中。当然也可以通过subprocess模块执行系统调用，它们方式都一样。

       格式转换需要调用ffmpeg将MP3文件转换为wav文件，由于不需要返回值，所以采用system函数，代码如下：

    @staticmethod
    def transform(file,save_to,name):
        new_name=name+'.wav';
        saved_file=os.path.join(save_to,new_name);
        os.system('./ffmpeg -i '+file+' -y -ar 8000 -ac 1 -vn '+saved_file);

有时我们不仅要运行外部命令，而且要获取外部命令的运行结果。例如，我们统计一个目录下的wav文件个数则可以用命令：ls dir/*.wav|wc–l实现。这个值在命令行运行时会输出到终端。但是现在我们需要利用这个值就需要利用popen：

@staticmethod
	def wavCount(dir):
		f=os.popen(‘ls ’+dir+’/*.wav |wc -l’);
		count=f.readline();	
		f.close();
		return count;

后续会介绍Python的网络通信和数据库编程等内容。