[关闭]
@qinian 2018-07-20T16:33:34.000000Z 字数 5704 阅读 1554

XML文件解析

python文件操作

网页基本知识，HTML和XML

一、HTML:

HTML即Hyper Text Markup Language，指的是超文本标记语言（不是编程语言）
超文本标记语言的结构包括“头”部分（英语：Head）、和“主体”部分（英语：Body），其中“头”部提供关于网页的信息，“主体”部分提供网页的具体内容。
标记符:HTML,说明该文件是用超文本标记语言（本标签的中文全称）来描述的,超文本标记语言定义了多种数据类型的元素内容，如脚本数据和样式表的数据，和众多类型的属性值，包括ID、名称、URI、数字、长度单位、语言、媒体描述符、颜色、字符编码、日期和时间等。所有这些数据类型都是专业的字符数据。为了说明文档使用的超文本标记语言标准，所有超文本标记语言文档应该以“文件类型声明”（外语全称加缩写<!DOCTYPE>）开头，引用一个文件类型描述或者必要情况下自定义一个文件类型描述。

二、XML：

XML即ExtentsibleMarkup
Language(可扩展标记语言)，是用来定义其它语言的一种元语言，其前身是SGML(标准通用标记语言)。它没有标签集(tagset)，也没有语法规则(grammaticalrule)，但是它有句法规则(syntax rule)。任何XML文档对任何类型的应用以及正确的解析都必须是良构的(well-formed)，即每一个打开的标签都必须有匹配的结束标签，不得含有次序颠倒的标签，并且在语句构成上应符合技术规范的要求。XML文档可以是有效的(valid)，但并非一定要求有效。所谓有效文档是指其符合其文档类型定义(DTD)的文档。如果一个文档符合一个模式(schema)的规定，那么这个文档是模式有效的(schema> valid)。

三、HTML与XML的区别
XML和HTML都是用于操作数据或数据结构，在结构上大致是相同的，但它们在本质上却存在着明显的区别。综合网上的各种资料总结如下。

（一）、语法要求不同：

  • 在HTML中不区分大小写，在XML中严格区分。

  • 在HTML中，有时不严格，如果上下文清楚地显示出段落或者列表键在何处结尾，那么你可以省略</p>或者</li>之类的结束标记。在XML中，是严格的树状结构，绝对不能省略掉结束标记。

  • 在XML中，拥有单个标记而没有匹配的结束标记的元素必须用一个/字符作为结尾。这样分析器就知道不用查找结束标记了。

  • 在XML中，属性值必须分装在引号中。在HTML中，引号是可用可不用的。

  • 在HTML中，可以拥有不带值的属性名。在XML中，所有的属性都必须带有相应的值。

  • 在XML文档中，空白部分不会被解析器自动删除；但是HTML是过滤掉空格的。

（二）、标记不同：

  • HTML使用固有的标记；而XML没有固有的标记。

  • HTML标签是预定义的；XML标签是免费的、自定义的、可扩展的。

（三）、作用不同：

  • HTML是用来显示数据的；XML是用来描述数据、存放数据的，所以可以作为持久化的介质。HTML将数据和显示结合在一起，在页面中把这数据显示出来；XML则将数据和显示分开。XML被设计用来描述数据，其焦点是数据的内容。HTML被设计用来显示数据，其焦点是数据的外观。
  • XML不是HTML的替代品，XML和HTML是两种不同用途的语言。 XML不是要替换HTML；实际上XML可以视作对HTML 的补充。XML和HTML的目标不同HTML的设计目标是显示数据并集中于数据外观，而XML的设计目标是描述数据并集中于数据的内容。
  • 没有任何行为的XML与HTML相似，XML不进行任何操作。（共同点）
  • 对于XML最好的形容可能是: XML是一种跨平台的，与软、硬件无关的，处理与传输信息的工具。
  • XML未来将会无所不在。XML将成为最普遍的数据处理和数据传输的工具。

四、XML文档树结构

XML文档必须包含根元素。该元素是所有其他元素的父元素。XML文档中的元素形成了一棵文档树,这棵树从根部开始，并扩展到树的最底端。所有的元素都可以有子元素：

  1. <bookstore>
  2.     <book category="COOKING">
  3.         <title lang="en">Everyday Italian</title>
  4.         <author>Giada De Laurentiis</author>
  5.         <year>2005</year>
  6.         <price>30.00</price>
  7.     </book>
  8.     <book category="CHILDREN">
  9.         <title lang="en">Harry Potter</title>
  10.         <author>J K. Rowling</author>
  11.         <year>2005</year>
  12.         <price>29.99</price>
  13.     </book>
  14.         <book category="WEB">
  15.         <title lang="en">Learning XML</title>
  16.         <author>Erik T. Ray</author>
  17.         <year>2003</year>
  18.         <price>39.95</price>
  19.     </book>
  20. </bookstore>

此处输入图片的描述

XML将数据组织成为一棵树,DOM 通过解析XML 文档,为 XML 文档在逻辑上建立一个树模型,树的节点是一个个的对象。这样通过操作这棵树和这些对象就可以完成对XML 文档的操作,为处理文档的所有方面提供了一个完美的概念性框架。

五、XML作用

  • XML与操作系统、编程语言的开发平台都无关
  • XML实现不同系统之间的数据交互
  • XML是Ajax基石。(Ajax是现在目前比较流行的一个网络交互的技术。Ajax里面最后一个x实际上就是XML的缩写。)

六、XML文件格式

1、首先 info.xml 文件　

  1. <?xml version="1.0" encoding="utf-8"?>
  2. <info>
  3.   <base>
  4.     <platform>Windows</platform>
  5.     <browser>Firefox</browser>
  6.     <url>http://www.baidu.com</url>
  7.       <login username="admin" passwd="123456"/>
  8.       <login username="guest" passwd="123456"/>
  9.     </base>
  10.     <test>
  11.         <province>北京</province>
  12.         <province>广东</province>
  13.             <city>深圳</city>
  14.             <city>珠海</city>
  15.         <province>浙江</province>
  16.             <city>珠海</city>
  17.     </test>
  18.  </info>
  • tag，即标签，用于标识该元素表示哪种数据，即url login开头的那个。
  • attrib，即属性，用Dictionary形式保存，即username="admin"
  • text，文本字符串，可以用来存储一些数据，即hello123456789
  • tail，尾字符串，并不是必须的，例子中没有包含。

七、python对XML文件解析

1、XML文件解析
解析思想: DOM解析和SAX解析,ET解析（元素树,前面都是自带），采用外部库。
一、是xml.dom.*模块，它是W3C DOM API的实现，若需要处理DOMAPI则该模块很适合；
二、是xml.sax.*模块，它是SAX API的实现，这个模块牺牲了便捷性来换取速度和内存占用，SAX是一个基于事件的API，这就意味着它可以“在空中”处理庞大数量的的文档，不用完全加载进内存；
三、是xml.etree.ElementTree模块（简称 ET），它提供了轻量级的Python式的API，相对于DOM来说ET快了很多，而且有很多令人愉悦的API可以使用，相对于SAX来说ET的ET.iterparse也提供了 “在空中” 的处理方式，没有必要加载整个文档到内存，ET的性能的平均值和SAX差不多，但是API的效率更高一点而且使用起来很方便。
四、使用libxml2解析xml，libxml2是使用C语言开发的xml解析器，是一个基于MIT License的免费开源软件，多种编程语言都有基于它的实现。
五、使用lxml解析xml。lxml是以上述介绍过的libxml2为基础采用python语言开发的，从使用层面上说比libxml2更适合python开发者

2.1 xml.dom.*
文件对象模型（Document Object Model，简称DOM），是W3C组织推荐的处理可扩展置标语言的标准编程接口。一个DOM 的解析器在解析一个XML文档时，一次性读取整个文档，把文档中所有元素保存在内存中的一个树结构里，之后你可以利用DOM 提供的不同的函数来读取或修改文档的内容和结构，也可以把修改过的内容写入xml文件。python中用xml.dom.minidom来解析xml文件。

  1. '''通过minidom解析xml文件'''
  2. import xml.dom as minidom
  4. # XML文件读取 
  5. dom = minidom.parse('info.xml')
  7. # 得到文档元素以及他的对象
  8. root = dom.documentElenment
  9. logins = root.getElementsByTagName('login')
  11. # 得到元素对象第一个logins标签的username属性值
  12. username = logins[0].getAttribute('username')
  13. print(username)
  15. # 得到元素对象第一个logins标签的password属性值
  16. username = logins[0].getAttribute('password')
  17. print(password)
  19. # 得到元素对象logins第二个标签的username属性值
  20. username = logins[1].getAttribute('username')
  21. print(username)
  23. # 得到元素对象logins第二个标签的password属性值
  24. username = logins[1].getAttribute('password')
  25. print(password)

2.2 xml.etree.ElementTree
ElementTree生来就是为了处理XML，它在Python标准库中有两种实现：
一、纯Python实现的，如xml.etree.ElementTree，
二、是速度快一点的xml.etree.cElementTree，从Python3.3开始ElementTree模块会自动寻找可用的C库来加快速度 。

  1. import xml.etree.ElementTree as ET
  3. # 解析xml文件
  4. root = ET.parse("info.xml")
  6. #获得根节点，查看根节点所有标签以及属性。
  7. root = tree.getroot()
  8. print('root.tag =', root.tag)
  9. print('root.attrib =', root.attrib)
  11. #遍历根节点可以获得子节点，遍历子节点可以获得孙子节点。
  12. for child in root:      #仅可以解析出root的儿子，不能解析出root的子孙
  13.     print(child.tag)
  14.     print(child.attrib) # attrib is a dict
  16. #通过索引解析根的子孙    
  17. print(root[1][2].tag)
  18. print(root[1][3].text)
  20. #迭代解析出所有的指定element，，返回字典
  21. for element in root.iter('test'):
  22.     print(element.attrib)
  24. # element.findall()解析出指定test的所有儿子
  25. # element.find()解析出指定test的第一个儿子
  26. # element.get()解析出指定test的属性attrib
  27. for environment in root.findall('test'):
  28.     first_variable = test.find('variable')
  29.     print(first_variable.get('name'))
  31. #假设我们需要给每个text元素添加一个属性size="50"，修改其text为"Benxin Tuzi"，添加一个子元素date="2016/01/16"
  32. for text in root.iter('text'):
  33.     text.set('size', '50')
  34.     text.text = 'Benxin Tuzi'
  35.     text.append(ET.Element('date', attrib={}, text='2016/01/16'))
  36. tree.write('output.xml')

2.2 lxml.etree
python lxml包用于解析XML和html文件，可以使用xpath和css定位元素。可参考：lxml手册,静觅博客Xpath

  1. from lxml import etree
  3. tree = etree.parse('info.xml') #构建xml树
  4. root = tree.getroot() #获得该树的树根
  5. for article in root:#这样便可以遍历根元素的所有子元素(这里是article元素)
  6.     print "元素名称：",article.tag#用.tag得到该子元素的名称
  7.     for field in article:#遍历article元素的所有子元素(这里是指article的author，title，volume，year等)
  8.         print field.tag,":",field.text#同样地，用.tag可以得到元素的名称，而.text可以得到元素的内容
  9.     mdate=article.get("city")#用.get("属性名")可以得到元素相应属性的值
  10.     print ("city:",city)
  12. '''结合xpath选取节点'''
  13. result = tree.xpath("//test")
  14. print result

参考：XML介绍/菜鸟教程
参考：Python XML解析
参考：Python实现XML文件解析/小兵千睿
参考：使用xml.etree.ElementTree模块来解析XML文件/benxintuzi
参考：python解析xml之lxml/编程浪子

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注