python 学习笔记（11）XML文件

 

声明：本文系本人学习python3总结，如有侵权等，请及时告知；

                       欢迎转载：请保留 http://blog.csdn.net/kevinx_xu/article/details/8919332

XML 是一种描述层次结构化数据的通用方法。XML文档包含由起始和结束标签(tag)分隔的一个或多个元素(element)。

一、XML 文档解析

         1、XML文档中的第一个元素叫做根元素(root element)。并且每份XML文档只能有一个根元素。

         <root>

         </root>

         2、元素可以有其属性(attribute)，它们是一些名字‐值(name‐value)对。属性由空格分隔列举在元素的起始标签中。一个元素中属性名不能重复。属性值必须用引号包围起来。单引号、双引号都是可以。

         <root  lang = ‘Chinese’>

                   <sublang = 'English'， id = 'id1'>

                   </sub>

         </root>

         3、每个元素都其独立的属性集。如果元素有多个属性，书写的顺序并不重要。元素的属性是一个无序的键‐值对集，跟Python中的列表对象一样。另外，元素中属性的个数是没有限制的。

         4、元素可以有其文本内容(text content)  

         5、如果某一元素既没有文本内容，也没有子元素，它也叫做空元素。  即只有一个根元素；

         6、表达空元素有一种简洁的方法。通过在起始标签的尾部添加/字符，我们可以省略结束标签。

         <root/>

         7、像Python函数可以在不同的模块(modules)中声明一样，也可以在不同的名字空间(namespace)中声明XML元素。XML文档的名字空间通常看起来像URL。我们可以通过声明xmlns（xmlnamespace）来定义默认名字空间。名字空间声明跟元素属性看起来很相似，但是它们的作用是不一样的。

        名字空间声明不仅会作用于当前声明它的元素，还会影响到该元素的所有子元素。

         8、也可以通过xmlns:prefix声明来定义一个名字空间并取其名为prefix。然后该名字空间中的每个元素都必须显式地使用这个前缀(prefix)来声明。

         9、对于XML解析器而言，名字空间 + 元素名 = XML标识。前缀只是用来引用名字空间的，所以对于解析器来说，这些前缀名其实无关紧要的。名字空间相同，元素名相同，属性（或者没有属性）相同，每个元素的文本内容相同，则XML文档相同

         10、在根元素之前，字符编码信息可以出现在XML文档的第一行。（这里存在一个两难的局面(catch‐22)，直观上来说，解析XML文档需要这些编码信息。

         <?xml version='1.0' encoding='utf‐8'?> 

二、XML文档解析

         在有一些XML文档中，元素的排列顺序是有意义的，但是Atom feed中不需要这样做。  

         ython可以使用几种不同的方式解析XML文档。它包含了DO和SAX解析器，但是我们焦点将放在另外一个叫做ElemenMtTree的库上边。  \

        

         1、导入XML解析工具

         importxml.etree.ElementTree as etree

         导入xml.etree.ElementTree重命名为etree

         或者使用fromxml.etree import ElementTree

       2、调用解析方法进行解析

                   a_tree= etree.parse('example.xml')

                   parse()函数是ElementTree库的主要入口，它使用文件名或者流对象作为参数。parse()函数会立即解析完整个文档。如果内存资源紧张，也可以增量式地解析XML文档  3.  parse()函数会返回一个能代表整篇文档的对象。这不是根元素。要获得根元素的引用可以调用getroot()方法。  

         3、获取根元素

                   a_root= a_tree.getroot()

                   调用后，会返回根元素的入口地址给a_root;

                 XML 元素由名字空间和标签名（也称作本地名(local name)）组成。

                   ElementTree使用{namespace}localname来表达XML元素。

         4、元素即列表

                   在ElementTree API中，元素的行为就像列表一样。列表中的项即该元素的子元素。

                   1）根元素

                            或如根元素信息

                            >>>a_root.tag

                            根元素的“长度”即子元素的个数。

                            >>>len（a_root）

                   2）每一个entry元素都有其子元素，但是并没有包括在这个root列表中。这些子元素本可以包括在entry元素的列表中，但是确实不属于feed的子元素。但是，无论这些元素嵌套的层次有多深，总是有办法定位到它们的。

         5、属性即字典

                  XML 不只是元素的集合；每一个元素还有其属性集。一旦获取了某个元素的引用，我们可以像操作Python的字典一样轻松获取到其属性。  

                  1）a_root.attrib是一个代表元素属性的字典

                  2）a_root[n].attrib将元素划分为列表，去列表中的属性字典；

         6、XML文档中查找结点

                   1）  findfall()方法查找匹配特定格式的子元素。

                   2）每个元素 — 包括根元素及其子元素 — 都有findall()方法。

                   3）find()方法用来返回第一个匹配到的元素。当我们认为只会有一个匹配，或者有多个匹配但我们只关心第一个的时候，这个方法是很有用的。

                   4）find()方法非常容易被误解。在布尔上下文中，如果ElementTree元素对象不包含子元素，其值则会被认为是False（即如果len(element)等于0）。这就意味着if element.find('...')并非在测试是否find()方法找到了匹配项；这条语句是在测试匹配到的元素是否包含子元素！想要测试find()方法是否返回了一个元素，则需使用if element.find('...') is not None。

 

·，ElementTree的findall()方法是其一个非常强大的特性，但是它的查询语言却让人有些出乎意料。官方描述它为“有限的XPath支持。”XPath是一种用于查询XML文档的W3C标

准。对于基础地查询来说，ElementTree与XPath语法上足够相似，但是如果已经会XPath的话，它们之间的差异可能会使你感到不快。

 

三、深入LXML 对XML 文件解析

         1、导入lxml

                   >>> from lxml import etree 

         2、特点

                   1)  导入lxml 以后，可以发现它与内置的ElementTree库提供相同的API。  

                   2)  parse()函数：与ElementTree相同。  

                   3)  getroot()方法：相同。  

                   4)  findall()方法：完全相同。  

3、查询语句

                头部的 // 表示“搜索的范围为整个文档（而不只是根元素的子元素）”。{http://www.w3.org/2005/Atom}表示“仅搜索 Atom名字空间。” *表示“任何本地名称的元素。”而 [@href]表示“具备 href属性。”

4. lxml 还集成了对任意 XPath 1.0表达式的支持。

>>> import lxml.etree

>>> tree =lxml.etree.parse('examples/feed.xml')

>>> NSMAP = {'atom':'http://www.w3.org/2005/Atom'}                   ①

>>> entries =tree.xpath("//atom:category[@term='accessibility']/..", ②

...    namespaces=NSMAP)

>>> entries                                                           ③

[<Element{http://www.w3.org/2005/Atom}entry at e2b630>]

>>> entry = entries[0]

>>> entry.xpath('./atom:title/text()',namespaces=NSMAP)              ④

['Accessibility is a harsh mistress']

①     要对名字空间中的元素执行XPath查询，必须先定义一个名字空间前缀映射。它只不过是一个 Python字典对象。

②     这是一条 XPath查询请求。该 XPath表达式用于搜索category元素（在 Atom名字空间），且该元素包含有值为 accessibility的 term属性。但实际上那并不是查询结果。请注意查询字符串的尾端；是否注意到了 /..这个部分？它的意思是：“然后返回所找到的 category元素的父元素。”所以这条 XPath查询语句会找到所有包含 <category term='accessibility'>子元素的 entry。

③     xpath() 函数返回一个ElementTree 对象列表。该文档中，只有一个 entry带有 category元素，且该 category元素的 term属性值为 accessibility。

④     XPath 表达式并不总是返回元素列表。技术上说，经解析的 xml 文档其 dom并不包含元素；它只包含节点（nodes）。根据类型的不同，结点可能是元素、属性，甚至是文本内容。XPath查询的结果是结点的列表。本次查询返回一个文本节点的列表：当前元素(./)的子元素——title 元素的文本内容 (text())。

四、生成XML

         Python对 xml的支持不只限于解析已有文档。还可以用于从零开始创建 xml文档。

         ① 将 Element类实例化创建一个新元素。将元素的名字（名字空间 +本地名）作为第一个参数。

         ②    将属性名和值构成的字典对象传递给attrib参数，可以向新创建的元素添加属性。请注意，属性名应该使用标准的 ElementTree格式——{namespace}localname。

         ③  任何时候都可以使用 ElementTree的 tostring()函数将任意元素（还有它的子元素）序列化。

        ElementTree用于序列化命名空间 xml元素方法技术上来说是最精确的，但却不是最理想的。

         ④内置的 ElementTree库没有对序列化时名字空间内的元素提供细粒度控制，但是 lxml 有这样的功能。

 

5、用lxml 创建xml文件

①     定义一个用于名字空间映射的字典对象。其值为名字空间；字典中的键即为所需要的前缀。使用 None作为前缀来定义默认的名字空间。

②     在创建元素的时候，给lxml专有的 nsmap参数传值，而 lxml会考虑我们所定义的名字空间前缀。

③     加上属性。可以使用set()方法随时给元素添加所需属性。该方法接受两个参数：采用标准 ElementTree格式的属性名及该属性的值。（该方法并非 lxml 所特有的。该示例中，只有 nsmap参数是 lxml特有的，它用于控制序列化输出时名字空间的前缀。）

6、xml 文件创建子元素

①     要给已有元素创建子元素，需要实例化 SubElement类。它只要求两个参数，父元素（即该样例中的(new_feed）和子元素的名字。由于子元素会从父元素那儿继承名字空间的映射关系，此处无须要再声明名字空间前缀。

②     也可以传入一个属性字典。字典的键即属性名；值为属性的值。

③     要设定元素的文本内容，只需要设定其 .text属性。

④  包含了小于号（<）或者&符号的内容在序列化的时候需要进行转义。lxml会自动处理转义。

⑤     pretty_print=True向结束标签及不好汉任何文本内容的起始标签之后面添加换行。从技术角度来说，为了增加输出结果的可读性，lxml添加了“不重要的空白”。

⑥xmlwitch，它也是用来生成xml的另一个第三方类库。它大量地使用了with语句来提高所生成 xml代码的可读性。

7、解析缺损的 XML

①     将lxml.etree.XMLParser类实例化，创建一个自定义的解析器。它可以接收多个不同的具名参数。recover参数。如果设置为 True ，xml解析器会尽力“恢复”编排良好性错误。

②     如果要用自定义解析器来处理xml文档，必须将 parser对象当做第二个参数传递给 parse()函数。请注意， lxml没有因为那个未定义的实体而抛出异常。

③     解析器会通过日志记录所遇到的编排良好性错误。（无论它是否设置为恢复错误，它总是会这么做。）

④     由于不知道如何处理该未定义的实体，解析器只会默默地将其丢弃。

⑤  必须强调的是，这种“可恢复”的 xml解析器无法保证互换性。另一个不同的解析器可能就会认为实体来自 html，并将其替换。，两种处理方法都不正确。正确的行为（根据 xml规范）应该是终止解析操作。如果已经决定不遵循规范，你得自己负责。