Python 解析 XML

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

   1001   张三   22   男   1002   李四   21   女

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.saxclass 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 = contentif (__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 ETtree = 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：​​​​​​​

root_tag: liststu_name: stuid: 1001name: 张三age: 22gender: 男stu_name: stuid: 1002name: 李四age: 21gender: 女

总结

本文介绍和演示了 Python 三种 XML 解析方式，对 Python 工程师使用 Python 解析 XML 提供了支撑。