Python 解析简单的XML数据

问题

你想从一个简单的xml文档中提取数据。

解决方案

可以使用 xml.etree.elementtree 模块从简单的xml文档中提取数据。为了演示，假设你想解析planet python上的rss源。下面是相应的代码：

from urllib.request import urlopen
from xml.etree.elementtree import parse

# download the rss feed and parse it
u = urlopen('http://planet.python.org/rss20.xml')
doc = parse(u)

# extract and output tags of interest
for item in doc.iterfind('channel/item'):
  title = item.findtext('title')
  date = item.findtext('pubdate')
  link = item.findtext('link')

  print(title)
  print(date)
  print(link)
  print()

运行上面的代码，输出结果类似这样：

steve holden: python for data analysis
mon, 19 nov 2012 02:13:51 +0000
http://holdenweb.blogspot.com/2012/11/python-for-data-analysis.html

vasudev ram: the python data model (for v2 and v3)
sun, 18 nov 2012 22:06:47 +0000
http://jugad2.blogspot.com/2012/11/the-python-data-model.html

python diary: been playing around with object databases
sun, 18 nov 2012 20:40:29 +0000
http://www.pythondiary.com/blog/nov.18,2012/been-...-object-databases.html

vasudev ram: wakari, scientific python in the cloud
sun, 18 nov 2012 20:19:41 +0000
http://jugad2.blogspot.com/2012/11/wakari-scientific-python-in-cloud.html

jesse jiryu davis: toro: synchronization primitives for tornado coroutines
sun, 18 nov 2012 20:17:49 +0000
http://feedproxy.google.com/~r/emptysquarepython/~3/_dozt2kd0hq/

很显然，如果你想做进一步的处理，你需要替换 print() 语句来完成其他有趣的事。

讨论

在很多应用程序中处理xml编码格式的数据是很常见的。不仅是因为xml在internet上面已经被广泛应用于数据交换，同时它也是一种存储应用程序数据的常用格式(比如字处理，音乐库等)。接下来的讨论会先假定读者已经对xml基础比较熟悉了。

在很多情况下，当使用xml来仅仅存储数据的时候，对应的文档结构非常紧凑并且直观。例如，上面例子中的rss订阅源类似于下面的格式：

<?xml version="1.0"?>
<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <channel>
    <title>planet python</title>
    <link>http://planet.python.org/</link>
    <language>en</language>
    <description>planet python - http://planet.python.org/</description>
    <item>
      <title>steve holden: python for data analysis</title>
      <guid>http://holdenweb.blogspot.com/...-data-analysis.html</guid>
      <link>http://holdenweb.blogspot.com/...-data-analysis.html</link>
      <description>...</description>
      <pubdate>mon, 19 nov 2012 02:13:51 +0000</pubdate>
    </item>
    <item>
      <title>vasudev ram: the python data model (for v2 and v3)</title>
      <guid>http://jugad2.blogspot.com/...-data-model.html</guid>
      <link>http://jugad2.blogspot.com/...-data-model.html</link>
      <description>...</description>
      <pubdate>sun, 18 nov 2012 22:06:47 +0000</pubdate>
    </item>
    <item>
      <title>python diary: been playing around with object databases</title>
      <guid>http://www.pythondiary.com/...-object-databases.html</guid>
      <link>http://www.pythondiary.com/...-object-databases.html</link>
      <description>...</description>
      <pubdate>sun, 18 nov 2012 20:40:29 +0000</pubdate>
    </item>
    ...
  </channel>
</rss>

xml.etree.elementtree.parse() 函数解析整个xml文档并将其转换成一个文档对象。 然后，你就能使用 find() 、iterfind() 和 findtext() 等方法来搜索特定的xml元素了。 这些函数的参数就是某个指定的标签名，例如 channel/item 或 title 。 每次指定某个标签时，你需要遍历整个文档结构。每次搜索操作会从一个起始元素开始进行。 同样，每次操作所指定的标签名也是起始元素的相对路径。 例如，执行 doc.iterfind('channel/item') 来搜索所有在 channel 元素下面的 item 元素。 doc 代表文档的最顶层(也就是第一级的 rss 元素)。 然后接下来的调用 item.findtext() 会从已找到的 item 元素位置开始搜索。 elementtree 模块中的每个元素有一些重要的属性和方法，在解析的时候非常有用。 tag 属性包含了标签的名字，text 属性包含了内部的文本，而 get() 方法能获取属性值。例如：

>>> doc
<xml.etree.elementtree.elementtree object at 0x101339510>
>>> e = doc.find('channel/title')
>>> e
<element 'title' at 0x10135b310>
>>> e.tag
'title'
>>> e.text
'planet python'
>>> e.get('some_attribute')
>>>

有一点要强调的是 xml.etree.elementtree 并不是xml解析的唯一方法。对于更高级的应用程序，你需要考虑使用 lxml 。它使用了和elementtree同样的编程接口，因此上面的例子同样也适用于lxml。你只需要将刚开始的import语句换成 from lxml.etree import parse 就行了。lxml 完全遵循xml标准，并且速度也非常快，同时还支持验证，xslt和xpath等特性。

以上就是python 解析简单的xml数据的详细内容，更多关于python 解析xml的资料请关注其它相关文章！