12 KiB
Python:用 minidom 解析 XML
原文：https://www.blog.pythonlibrary.org/2010/11/12/python-parsing-xml-with-minidom/
如果你是一个长期读者，你可能记得我在 2006 年开始编程 Python。在一年左右的时间里，我的雇主决定从 Microsoft Exchange 迁移到开源的 Zimbra 客户端。Zimbra 是一个不错的客户端，但它缺少一种好的方式来提醒用户他们有一个约会，所以我必须创建一种方法来查询 Zimbra 的信息并显示一个对话框。但是，所有这些晦涩难懂的东西与 XML 有什么关系呢？嗯，我认为使用 XML 是跟踪哪些约会被添加、删除、暂停或其他什么的好方法。结果证明我错了，但这不是这个故事的重点。
在本文中，我们将看到我第一次尝试用 Python 解析 XML。如果您对这个主题做一点研究，您很快就会发现 Python 在它的 xml 模块中内置了一个 XML 解析器。我最终使用了那个模块的 minidom 子组件...至少一开始是这样。最终我改用 lxml，它使用 ElementTree，但这超出了本文的范围。让我们快速看一下我想到的一些难看的 XML:
<appointment><begin>1181251680</begin>
<uid>040000008200E000</uid>
<alarmtime>1181572063</alarmtime>
<state><location><duration>1800</duration>
<subject>Bring pizza home</subject></location></state></appointment>
现在我们知道我需要解析什么了。让我们看看在 Python 中使用 minidom 解析类似内容的典型方式。
import xml.dom.minidom
import urllib2
class ApptParser(object):
def __init__(self, url, flag='url'):
self.list = []
self.appt_list = []
self.flag = flag
self.rem_value = 0
xml = self.getXml(url)
print "xml"
print xml
self.handleXml(xml)
def getXml(self, url):
try:
print url
f = urllib2.urlopen(url)
except:
f = url
#print f
doc = xml.dom.minidom.parse(f)
node = doc.documentElement
if node.nodeType == xml.dom.Node.ELEMENT_NODE:
print 'Element name: %s' % node.nodeName
for (name, value) in node.attributes.items():
#print ' Attr -- Name: %s Value: %s' % (name, value)
if name == 'reminder':
self.rem_value = value
return node
def handleXml(self, xml):
rem = xml.getElementsByTagName('zAppointments')
appointments = xml.getElementsByTagName("appointment")
self.handleAppts(appointments)
def getElement(self, element):
return self.getText(element.childNodes)
def handleAppts(self, appts):
for appt in appts:
self.handleAppt(appt)
self.list = []
def handleAppt(self, appt):
begin = self.getElement(appt.getElementsByTagName("begin")[0])
duration = self.getElement(appt.getElementsByTagName("duration")[0])
subject = self.getElement(appt.getElementsByTagName("subject")[0])
location = self.getElement(appt.getElementsByTagName("location")[0])
uid = self.getElement(appt.getElementsByTagName("uid")[0])
self.list.append(begin)
self.list.append(duration)
self.list.append(subject)
self.list.append(location)
self.list.append(uid)
if self.flag == 'file':
try:
state = self.getElement(appt.getElementsByTagName("state")[0])
self.list.append(state)
alarm = self.getElement(appt.getElementsByTagName("alarmTime")[0])
self.list.append(alarm)
except Exception, e:
print e
self.appt_list.append(self.list)
def getText(self, nodelist):
rc = ""
for node in nodelist:
if node.nodeType == node.TEXT_NODE:
rc = rc + node.data
return rc
如果我没记错的话，这段代码是基于 Python 文档中的一个例子(或者是深入 Python 中的一个章节)。我还是不喜欢这个代码。您在 ApptParser 类中看到的 url 参数可以是 url，也可以是文件。我有一个来自 Zimbra 的 XML 提要，我会定期检查它的变化，并将其与我下载的 XML 的最后一个副本进行比较。如果有新的东西，我会把修改添加到下载的副本中。无论如何，让我们稍微解开这个代码。
在 getXml 中，我们使用一个异常处理程序来尝试打开 url。如果它碰巧引发了一个错误，那么我们假设这个 url 实际上是一个文件路径。接下来，我们使用 minidom 的解析方法来解析 XML。然后我们从 XML 中取出一个节点。我们将忽略条件句，因为它对这个讨论不重要(它与我的程序有关)。最后，我们返回节点对象。
从技术上讲，节点是 XML，我们将它传递给 handleXml 。为了获取 XML 中所有的约会实例，我们这样做: xml.getElementsByTagName("约会")。然后，我们将该信息传递给处理设备方法。是的，到处都在传递各种价值观。试图跟踪它并在以后调试它让我发疯。总之，handle appt方法所做的就是循环每个约会，并调用 handleAppt 方法从中提取一些附加信息，将数据添加到一个列表，并将该列表添加到另一个列表。我的想法是以一个包含所有与我的约会相关的数据的列表结束。
你会注意到 handleAppt 方法调用了 getElement 方法，后者调用了 getText 方法。我不知道原作者为什么要这样做。我会直接调用 getText 方法，跳过 getElement 方法。亲爱的读者，我想这对你是一种锻炼。
现在您已经了解了使用 minidom 进行解析的基础知识。我个人不喜欢这种方法，所以我决定尝试用 minidom 提出一种更简洁的解析 XML 的方法。
让 minidom 更容易关注
我不会说我的代码有什么好的，但是我会说我认为我想出了一些更容易理解的东西。我肯定有些人会认为代码不够灵活，但是没关系。下面是我们将要解析的一个新的 XML 示例(在 MSDN 上找到的):
<book id="bk101"><author>Gambardella, Matthew</author>
<title>XML Developer's Guide</title>
<genre>Computer</genre>
<price>44.95</price>
<publish_date>2000-10-01</publish_date>
<description>An in-depth look at creating applications
with XML.</description></book>
<book id="bk102"><author>Ralls, Kim</author>
<title>Midnight Rain</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2000-12-16</publish_date>
<description>A former architect battles corporate zombies,
an evil sorceress, and her own childhood to become queen
of the world.</description></book>
<book id="bk103"><author>Corets, Eva</author>
<title>Maeve Ascendant</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2000-11-17</publish_date>
<description>After the collapse of a nanotechnology
society in England, the young survivors lay the
foundation for a new society.</description></book>
<book id="bk104"><author>Corets, Eva</author>
<title>Oberon's Legacy</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2001-03-10</publish_date>
<description>In post-apocalypse England, the mysterious
agent known only as Oberon helps to create a new life
for the inhabitants of London. Sequel to Maeve
Ascendant.</description></book>
<book id="bk105"><author>Corets, Eva</author>
<title>The Sundered Grail</title>
<genre>Fantasy</genre>
<price>5.95</price>
<publish_date>2001-09-10</publish_date>
<description>The two daughters of Maeve, half-sisters,
battle one another for control of England. Sequel to
Oberon's Legacy.</description></book>
<book id="bk106"><author>Randall, Cynthia</author>
<title>Lover Birds</title>
<genre>Romance</genre>
<price>4.95</price>
<publish_date>2000-09-02</publish_date>
<description>When Carla meets Paul at an ornithology
conference, tempers fly as feathers get ruffled.</description></book>
<book id="bk107"><author>Thurman, Paula</author>
<title>Splish Splash</title>
<genre>Romance</genre>
<price>4.95</price>
<publish_date>2000-11-02</publish_date>
<description>A deep sea diver finds true love twenty
thousand leagues beneath the sea.</description></book>
<book id="bk108"><author>Knorr, Stefan</author>
<title>Creepy Crawlies</title>
<genre>Horror</genre>
<price>4.95</price>
<publish_date>2000-12-06</publish_date>
<description>An anthology of horror stories about roaches,
centipedes, scorpions and other insects.</description></book>
<book id="bk109"><author>Kress, Peter</author>
<title>Paradox Lost</title>
<genre>Science Fiction</genre>
<price>6.95</price>
<publish_date>2000-11-02</publish_date>
<description>After an inadvertant trip through a Heisenberg
Uncertainty Device, James Salway discovers the problems
of being quantum.</description></book>
<book id="bk110"><author>O'Brien, Tim</author>
<title>Microsoft .NET: The Programming Bible</title>
<genre>Computer</genre>
<price>36.95</price>
<publish_date>2000-12-09</publish_date>
<description>Microsoft's .NET initiative is explored in
detail in this deep programmer's reference.</description></book>
<book id="bk111"><author>O'Brien, Tim</author>
<title>MSXML3: A Comprehensive Guide</title>
<genre>Computer</genre>
<price>36.95</price>
<publish_date>2000-12-01</publish_date>
<description>The Microsoft MSXML3 parser is covered in
detail, with attention to XML DOM interfaces, XSLT processing,
SAX and more.</description></book>
<book id="bk112"><author>Galos, Mike</author>
<title>Visual Studio 7: A Comprehensive Guide</title>
<genre>Computer</genre>
<price>49.95</price>
<publish_date>2001-04-16</publish_date>
<description>Microsoft Visual Studio 7 is explored in depth,
looking at how Visual Basic, Visual C++, C#, and ASP+ are
integrated into a comprehensive development
environment.</description></book>
对于这个例子，我们只需要解析 XML，提取书名并打印到 stdout。你准备好了吗？开始了。
import xml.dom.minidom as minidom
#----------------------------------------------------------------------
def getTitles(xml):
"""
Print out all titles found in xml
"""
doc = minidom.parse(xml)
node = doc.documentElement
books = doc.getElementsByTagName("book")
titles = []
for book in books:
titleObj = book.getElementsByTagName("title")[0]
titles.append(titleObj)
for title in titles:
nodes = title.childNodes
for node in nodes:
if node.nodeType == node.TEXT_NODE:
print node.data
if __name__ == "__main__":
document = 'example.xml'
getTitles(document)
这段代码只是一个接受一个参数(XML 文件)的简短函数。我们导入 minidom 模块，并给它相同的名称，以便更容易引用。然后我们解析 XML。函数中的前两行与前一个例子非常相似。我们使用 getElementsByTagName 获取我们想要的 XML 部分，然后迭代结果并从中提取书名。这实际上提取了标题对象，所以我们也需要对其进行迭代并提取纯文本，这就是第二个嵌套的 for 循环的目的。
就是这样。再也没有了。
包扎
好吧，我希望这篇漫无边际的文章能够教会您一些关于使用 Python 内置的 XML 解析器解析 XML 的知识。在以后的文章中，我们将会看到更多的 XML 解析。如果您有自己喜欢的方法或模块，请随意给我指出来，我会看一看。