xml 解析 python

1 综述

有很多种解析方法。

（1）  DOM   缺点是：1 不能解析格式不正确或者不规则xml  2据说只能解析utf-8格式,非utf-8需要转码

与SAX比较，DOM典型的缺点是比较慢，消耗更多的内存，因为DOM会将整个XML数读入内存中，并为树

中的第一个节点建立一个对象。使用DOM的好处是你不需要对状态进行追踪，因为每一个节点都知道谁是它的

父节点，谁是子节点。但是DOM用起来有些麻烦。

 

Python中使用minidom解析xml，会遇到编码问题。minidom支持UTF-8的编码，对于其他的编码，必须进行转换，否则解析时会产生异常。下面以读取gb2312编码的xml文件为例。

          sourceFile = codecs.open(sourceFilePath,mode='r')

           xmlContentStr = sourceFile.read()

           xmlContentStr = xmlContentStr.decode('gb2312').encode('utf-8')

           xmlContentStr =xmlContentStr.replace('encoding="gb2312"','encoding="utf-8"')

           sourceXML = minidom.parseString(xmlContentStr)

（2） beatifulsoup    特点是可以处理格式不正确的html文档

（3）.SAX
(simple API for XML )

       pyhton 标准库包含SAX解析器，SAX是一种典型的极为快速的工具，在解析XML时，不会占用大量内存。

但是这是基于回调机制的，因此在某些数据中，它会调用某些方法进行传递。这意味着必须为数据指定句柄，

以维持自己的状态，这是非常困难的。



 (4)   ElementTree(元素树)

     ElementTree就像一个轻量级的DOM，具有方便友好的API。代码可用性好，速度快，消耗内存少，这里主要

介绍ElementTree。

2 DOM(Document
Object Model)

与SAX比较，DOM典型的缺点是比较慢，消耗更多的内存，因为DOM会将整个XML数读入内存中，并为树

中的第一个节点建立一个对象。使用DOM的好处是你不需要对状态进行追踪，因为每一个节点都知道谁是它的

父节点，谁是子节点。但是DOM用起来有些麻烦。

一 、xml.dom 解析XML的API描述

minidom.parse(filename)

加载读取XML文件

doc.documentElement

获取XML文档对象

node.getAttribute(AttributeName)

获取XML节点属性值

node.getElementsByTagName(TagName)

获取XML节点对象集合

node.childNodes #返回子节点列表。

node.childNodes[index].nodeValue

获取XML节点值

node.firstChild

#访问第一个节点。等价于pagexml.childNodes[0]

doc = minidom.parse(filename)

doc.toxml('UTF-8')

返回Node节点的xml表示的文本

Node.attributes["id"]

a.name #就是上面的 "id"

a.value #属性的值 

访问元素属性

二、代码演示

1、创建user.xml文件，添加XMl节点

<?xml version="1.0" encoding="UTF-8" ?>
<users>
    <user id="1000001">
        <username>Admin</username>
        <email>admin@live.cn</email>
        <age>23</age>
        <sex>男</sex>
    </user>
    <user id="1000002">
        <username>Admin2</username>
        <email>admin2@live.cn</email>
        <age>22</age>
        <sex>男</sex>
    </user>
    <user id="1000003">
        <username>Admin3</username>
        <email>admin3@live.cn</email>
        <age>27</age>
        <sex>男</sex>
    </user>
    <user id="1000004">
        <username>Admin4</username>
        <email>admin4@live.cn</email>
        <age>25</age>
        <sex>女</sex>
    </user>
    <user id="1000005">
        <username>Admin5</username>
        <email>admin5@live.cn</email>
        <age>20</age>
        <sex>男</sex>
    </user>
    <user id="1000006">
        <username>Admin6</username>
        <email>admin6@live.cn</email>
        <age>23</age>
        <sex>女</sex>
    </user>
</users>

2、Demo.py解析user.xml文档数据

# -*- coding:utf-8 -*-
"""
* User: lhj588
* Date: 11-11-9
* Time: 13：20
* Desc:
""" 
from  xml.dom import  minidom

def get_attrvalue(node, attrname):
     return node.getAttribute(attrname) if node else ''

def get_nodevalue(node, index = 0):
    return node.childNodes[index].nodeValue if node else ''

def get_xmlnode(node,name):
    return node.getElementsByTagName(name) if node else []

def xml_to_string(filename='user.xml'):
    doc = minidom.parse(filename)
    return doc.toxml('UTF-8')

def get_xml_data(filename='user.xml'):
    doc = minidom.parse(filename) 
    root = doc.documentElement

    user_nodes = get_xmlnode(root,'user')
    user_list=[]
    for node in user_nodes: 
        user_id = get_attrvalue(node,'id') 
        node_name = get_xmlnode(node,'username')
        node_email = get_xmlnode(node,'email')
        node_age = get_xmlnode(node,'age')
        node_sex = get_xmlnode(node,'sex')

        user_name =get_nodevalue(node_name[0]).encode('utf-8','ignore')
        user_email = get_nodevalue(node_email[0]).encode('utf-8','ignore') 
        user_age = int(get_nodevalue(node_age[0]))
        user_sex = get_nodevalue(node_sex[0]).encode('utf-8','ignore') 
        user = {}
        user['id'] , user['username'] , user['email'] , user['age'] , user['sex'] = (
            int(user_id), user_name , user_email , user_age , user_sex
        )
        user_list.append(user)
    return user_list

def test_xmltostring():
    print xml_to_string()

def test_laod_xml():
    user_list = get_xml_data()
    for user in user_list :
        #print user['sex']
        print '-----------------------------------------------------'
        if user:
            user_str='编   号：%d\n用户名：%s\n性   别：%s\n年   龄：%s\n邮   箱：%s\n ' % (int(user['id']) , user['username'], user['sex'] , user['age'] , user['email'])
            print user_str
            print '====================================================='

if __name__ == "__main__":
    test_xmltostring()
    test_laod_xml()

3、测试效果

A、测试toxml

demo.py 文件中修改成

if __name__ == "__main__":
    test_xmltostring()

 执行打印结果：

<user id="1000001">
        <username>Admin</username>
        <email>admin@live.cn</email>
        <age>23</age>
        <sex>男</sex>
    </user>
<user id="1000002">
        <username>Admin2</username>
        <email>admin2@live.cn</email>
        <age>22</age>
        <sex>男</sex>
    </user>
<user id="1000003">
        <username>Admin3</username>
        <email>admin3@live.cn</email>
        <age>27</age>
        <sex>男</sex>
    </user>
<user id="1000004">
        <username>Admin4</username>
        <email>admin4@live.cn</email>
        <age>25</age>
        <sex>女</sex>
    </user>
<user id="1000005">
        <username>Admin5</username>
        <email>admin5@live.cn</email>
        <age>20</age>
        <sex>男</sex>
    </user>
<user id="1000006">
        <username>Admin6</username>
        <email>admin6@live.cn</email>
        <age>23</age>
        <sex>女</sex>
    </user>

B、测试解析XML

demo.py 文件中修改成

if __name__ == "__main__": 

        test_laod_xml()

执行打印出结果：

-----------------------------------------------------
编   号：1000001
用户名：Admin
性   别：男
年   龄：23
邮   箱：admin@live.cn
 
=====================================================
-----------------------------------------------------
编   号：1000002
用户名：Admin2
性   别：男
年   龄：22
邮   箱：admin2@live.cn
 
=====================================================
-----------------------------------------------------
编   号：1000003
用户名：Admin3
性   别：男
年   龄：27
邮   箱：admin3@live.cn
 
=====================================================
-----------------------------------------------------
编   号：1000004
用户名：Admin4
性   别：女
年   龄：25
邮   箱：admin4@live.cn
 
=====================================================
-----------------------------------------------------
编   号：1000005
用户名：Admin5
性   别：男
年   龄：20
邮   箱：admin5@live.cn
 
=====================================================
-----------------------------------------------------
编   号：1000006
用户名：Admin6
性   别：女
年   龄：23
邮   箱：admin6@live.cn
 
=====================================================

转自：http://www.cnblogs.com/lhj588/archive/2011/11/09/2242483.html

3  Beautiful
Soup

Beautiful
Soup 是用 Python 写的一个 HTML/XML 的解析器，它可以很好的处理不规范标记并生成剖析树。通常用来分析爬虫抓取的web文档。对于 不规则的 Html文档，也有很多的补全功能，节省了开发者的时间和精力。

Beautiful Soup 的官方文档齐全，将官方给出的例子实践一遍就能掌握。官方英文文档，中文文档

一 安装 Beautiful Soup

安装 BeautifulSoup 很简单，下载 BeautifulSoup  源码。解压运行

python setup.py install 即可。

测试安装是否成功。键入 import BeautifulSoup 如果没有异常，即成功安装

二 使用 BeautifulSoup

1. 导入BeautifulSoup ，创建BeautifulSoup 对象

1 2 3 4 5 6 7 8 9 10 11 12

fromBeautifulSoupimportBeautifulSoup          # HTML fromBeautifulSoupimportBeautifulStoneSoup     # XML importBeautifulSoup                             # ALL                                                                                                 doc=[     '<html><head><title>Page title</title></head>',     '<body><p id="firstpara" align="center">This is paragraph <b>one</b>.',     '<p id="secondpara" align="blah">This is paragraph <b>two</b>.',     '</html>' ] # BeautifulSoup 接受一个字符串参数 soup=BeautifulSoup(''.join(doc))

2. BeautifulSoup对象简介

用BeautifulSoup 解析 html文档时，BeautifulSoup将 html文档类似 dom文档树一样处理。BeautifulSoup文档树有三种基本对象。

2.1. soup BeautifulSoup.BeautifulSoup

1 2	type(soup) <class'BeautifulSoup.BeautifulSoup'>

2.2. 标记 BeautifulSoup.Tag

1 2	type(soup.html) <class'BeautifulSoup.Tag'>

2.3 文本 BeautifulSoup.NavigableString

1 2	type(soup.title.string) <class'BeautifulSoup.NavigableString'>

3. BeautifulSoup 剖析树

3.1 BeautifulSoup.Tag对象方法

获取 标记对象（Tag）

标记名获取法 ，直接用 soup对象加标记名，返回 tag对象.这种方式，选取唯一标签的时候比较有用。或者根据树的结构去选取，一层层的选择

1 2 3 4 5 6 7

>>> html = soup.html >>> html <html><head><title>Page title</title></head><body><pid="firstpara"align="center">This is paragraph<b>one</b>.</p><pid="secondpara"align="blah">This is paragraph<b>two</b>.</p></body></html> >>> type(html) <class'BeautifulSoup.Tag'> >>> title = soup.title <title>Page title</title>

content方法

content方法 根据文档树进行搜索，返回标记对象（tag）的列表

1 2	>>> soup.contents [<html><head><title>Page title</title></head><body><pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p><pid="secondpara"align="blah">Thisisparagraph<b>two</b>.</p></body></html>]

1 2 3 4 5 6

>>> soup.contents[0].contents [<head><title>Page title</title></head>, <body><p id="firstpara"align="center">Thisisparagraph<b>one</b>.</p><pid="secondpara"align="blah">Thisisparagraph<b>two</b>.</p></body>] >>>len(soup.contents[0].contents) 2 >>>type(soup.contents[0].contents[1]) <class'BeautifulSoup.Tag'>

使用contents向后遍历树，使用parent向前遍历树

next 方法

获取树的子代元素，包括 Tag 对象 和 NavigableString 对象。。。

1 2 3 4

>>> head.next <title>Page title</title> >>> head.next.next u'Page title'

1 2 3 4 5

>>> p1 =soup.p >>> p1 <pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p> >>> p1.next u'This is paragraph'

nextSibling 下一个兄弟对象 包括 Tag 对象 和 NavigableString 对象

1 2 3 4

>>> head.nextSibling <body><pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p><pid="secondpara"align="blah">Thisisparagraph<b>two</b>.</p></body> >>> p1.next.nextSibling <b>one</b>

与 nextSibling 相似的是 previousSibling，即上一个兄弟节点。

replacewith方法

将对象替换为，接受字符串参数

1 2 3 4 5 6 7 8 9 10 11 12

>>> head =soup.head >>> head <head><title>Page title</title></head> >>> head.parent <html><head><title>Page title</title></head><body><pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p><pid="secondpara"align="blah">Thisisparagraph<b>two</b>.</p></body></html> >>> head.replaceWith('head was replace') >>> head <head><title>Page title</title></head> >>> head.parent >>> soup <html>head was replace<body><p id="firstpara"align="center">Thisisparagraph<b>one</b>.</p><pid="secondpara"align="blah">Thisisparagraph<b>two</b>.</p></body></html> >>>

搜索方法

搜索提供了两个方法，一个是 find，一个是findAll。这里的两个方法(findAll和 find)仅对Tag对象以及，顶层剖析对象有效，但 NavigableString不可用。

findAll(name, attrs, recursive, text, limit, **kwargs)

接受一个参数，标记名

寻找文档所有 P标记，返回一个列表

1 2 3 4

>>> soup.findAll('p') [<pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p>, <p id="secondpara"align="blah">Thisisparagraph<b>two</b>.</p>] >>>type(soup.findAll('p')) <type'list'>

寻找 id="secondpara"的 p 标记，返回一个结果集

1 2 3

>>> pid =type(soup.findAll('p',id='firstpara')) >>> pid <class'BeautifulSoup.ResultSet'>

传一个属性或多个属性对

1 2 3 4 5

>>> p2 =soup.findAll('p',{'align':'blah'}) >>> p2 [<pid="secondpara"align="blah">Thisisparagraph<b>two</b>.</p>] >>>type(p2) <class'BeautifulSoup.ResultSet'>

利用正则表达式

1 2	>>> soup.findAll(id=re.compile("para$")) [<pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p>, <p id="secondpara"align="blah">Thisisparagraph<b>two</b>.</p>]

读取和修改属性

1 2 3 4 5 6 7 8 9 10 11 12

>>> p1 =soup.p >>> p1 <pid="firstpara"align="center">Thisisparagraph<b>one</b>.</p> >>> p1['id'] u'firstpara' >>> p1['id']='changeid' >>> p1 <pid="changeid"align="center">Thisisparagraph<b>one</b>.</p> >>> p1['class']='new class' >>> p1 <pid="changeid"align="center"class="new class">Thisisparagraph<b>one</b>.</p> >>>

剖析树基本方法就这些，还有其他一些，以及如何配合正则表达式。具体请看官方文档

3.2 BeautifulSoup.NavigableString对象方法

NavigableString  对象方法比较简单，获取其内容

1 2 3 4 5 6 7 8 9

>>> soup.title <title>Page title</title> >>> title =soup.title.next >>> title u'Page title' >>>type(title) <class'BeautifulSoup.NavigableString'> >>> title.string u'Page title'

至于如何遍历树，进而分析文档，已经 XML 文档的分析方法，可以参考官方文档。

转自：http://rsj217.diandian.com/post/2012-11-01/40041235132