Python3 XML解析

XML (可扩展标记语言) 是一种用于存储和传输数据的标记语言。它被设计为自我描述且易于人类阅读和编写。在处理 XML 数据时，Python 提供了多种库来简化这一过程，比如 xml.etree.ElementTree、lxml 和 xml.dom.minidom 等。

XML 文件格式基础

一个简单的 XML 文档看起来像这样：

// www.javascriptcn.com code example
<?xml version="1.0"?>
<catalog>
   <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>
</catalog>

这个例子展示了几个关键点：

• XML 文档以 <?xml version="1.0"?> 开头，表明这是一个 XML 文档。
• 每个元素由开始标签 <tag> 和结束标签 </tag> 包围。
• 元素可以包含文本内容或子元素。
• 属性可以在开始标签中指定，如 <book id="bk101">。

使用 xml.etree.ElementTree 模块

ElementTree 是 Python 的标准库之一，它提供了一种简单的方式来解析和创建 XML 数据。

解析 XML 文件

首先，我们来看如何使用 ElementTree 解析一个 XML 文件：

import xml.etree.ElementTree as ET

tree = ET.parse('books.xml') # 假设你的 XML 文件名为 books.xml
root = tree.getroot()

print(root.tag) # 输出 'catalog'
for child in root:
    print(child.tag, child.attrib)

这段代码首先导入了 xml.etree.ElementTree 模块，并给它起了一个别名 ET。然后使用 ET.parse() 方法加载 XML 文件并返回一个树形结构的对象。通过调用 getroot() 方法获取文档的根元素，最后遍历根元素的所有子元素并打印它们的标签名和属性。

创建 XML 文件

创建 XML 文件同样简单：

// www.javascriptcn.com code example
from xml.etree.ElementTree import Element, SubElement, tostring

catalog = Element('catalog')
book = SubElement(catalog, 'book', attrib={'id': 'bk102'})
SubElement(book, 'author').text = 'Corets, Eva'
SubElement(book, 'title').text = 'Maeve Ascendant'
SubElement(book, 'genre').text = 'Fantasy'
SubElement(book, 'price').text = '5.95'
SubElement(book, 'publish_date').text = '2000-11-17'
SubElement(book, 'description').text = 'Another story about Maeve.'

xml_data = tostring(catalog)
print(xml_data.decode())

这里我们创建了一个新的 catalog 元素作为根元素，并在其下添加了一个 book 子元素。通过 SubElement 函数可以方便地添加子元素和设置文本内容。最后使用 tostring() 将整个元素树转换为字符串表示形式。

使用 lxml 库进行更复杂的操作

虽然 ElementTree 已经非常强大，但 lxml 库提供了更多功能，例如 XPath 支持，这使得查找特定节点变得更加容易。

安装 lxml

要使用 lxml，你需要先安装它：

pip install lxml

使用 XPath 查询

XPath 是一种在 XML 文档中查找信息的语言。lxml 支持 XPath 表达式，可以让你轻松地从复杂的 XML 结构中提取所需的数据。

// www.javascriptcn.com code example
from lxml import etree

tree = etree.parse('books.xml')
root = tree.getroot()

# 找到所有 genre 为 'Computer' 的 book
computer_books = root.xpath("//book[genre='Computer']")
for book in computer_books:
    print(book.find('title').text)

这段代码使用 XPath 表达式 //book[genre='Computer'] 来查找所有 genre 属性值为 "Computer" 的 book 元素，并输出这些元素下的 title 子元素的文本内容。

总结

通过本章的学习，你应该已经掌握了基本的 XML 解析技巧，包括使用 ElementTree 和 lxml 库进行文件读写以及数据查询。在实际应用中，你可以根据需要选择合适的工具和技术来处理 XML 数据。