用Python解析XML的几种常见方法的介绍

一、简介

       xml（extensible markup language）指可扩展标记语言，被设计用来传输和存储数据，已经日趋成为当前许多新生技术的核心，在不同的领域都有着不同的应用。它是web发展到一定阶段的必然产物，既具有sgml的核心特征，又有着html的简单特性，还具有明确和结构良好等许多新的特性。
        python解析xml常见的有三种方法：一是xml.dom.*模块，它是w3c dom api的实现，若需要处理dom api则该模块很适合，注意xml.dom包里面有许多模块，须区分它们间的不同；二是xml.sax.*模块，它是sax api的实现，这个模块牺牲了便捷性来换取速度和内存占用，sax是一个基于事件的api，这就意味着它可以“在空中”处理庞大数量的的文档，不用完全加载进内存；三是xml.etree.elementtree模块（简称 et），它提供了轻量级的python式的api，相对于dom来说et 快了很多，而且有很多令人愉悦的api可以使用，相对于sax来说et的et.iterparse也提供了 “在空中” 的处理方式，没有必要加载整个文档到内存，et的性能的平均值和sax差不多，但是api的效率更高一点而且使用起来很方便。
二、详解

      解析的xml文件（country.xml）：
在code上查看代码片派生到我的代码片

  <?xml version="1.0"?> 
  <data> 
    <country name="singapore"> 
      <rank>4</rank> 
      <year>2011</year> 
      <gdppc>59900</gdppc> 
      <neighbor name="malaysia" direction="n"/> 
    </country> 
    <country name="panama"> 
      <rank>68</rank> 
      <year>2011</year> 
      <gdppc>13600</gdppc> 
      <neighbor name="costa rica" direction="w"/> 
      <neighbor name="colombia" direction="e"/> 
    </country> 
  </data> 

1、xml.etree.elementtree

        elementtree生来就是为了处理xml，它在python标准库中有两种实现：一种是纯python实现的，如xml.etree.elementtree，另一种是速度快一点的xml.etree.celementtree。注意：尽量使用c语言实现的那种，因为它速度更快，而且消耗的内存更少。
在code上查看代码片派生到我的代码片

  try: 
    import xml.etree.celementtree as et 
  except importerror: 
    import xml.etree.elementtree as et 

        这是一个让python不同的库使用相同api的一个比较常用的办法，而从python 3.3开始elementtree模块会自动寻找可用的c库来加快速度，所以只需要import xml.etree.elementtree就可以了。
在code上查看代码片派生到我的代码片

  #!/usr/bin/evn python 
  #coding:utf-8 
   
  try: 
    import xml.etree.celementtree as et 
  except importerror: 
    import xml.etree.elementtree as et 
  import sys 
   
  try: 
    tree = et.parse("country.xml")     #打开xml文档 
    #root = et.fromstring(country_string) #从字符串传递xml 
    root = tree.getroot()         #获得root节点  
  except exception, e: 
    print "error:cannot parse file:country.xml." 
    sys.exit(1) 
  print root.tag, "---", root.attrib  
  for child in root: 
    print child.tag, "---", child.attrib 
   
  print "*"*10 
  print root[0][1].text   #通过下标访问 
  print root[0].tag, root[0].text 
  print "*"*10 
   
  for country in root.findall('country'): #找到root节点下的所有country节点 
    rank = country.find('rank').text   #子节点下节点rank的值 
    name = country.get('name')      #子节点下属性name的值 
    print name, rank 
      
  #修改xml文件 
  for country in root.findall('country'): 
    rank = int(country.find('rank').text) 
    if rank > 50: 
      root.remove(country) 
   
  tree.write('output.xml') 

运行结果：

参考：https://docs.python.org/2/library/xml.etree.elementtree.html
2、xml.dom.*

        文件对象模型（document object model，简称dom），是w3c组织推荐的处理可扩展置标语言的标准编程接口。一个 dom 的解析器在解析一个xml文档时，一次性读取整个文档，把文档中所有元素保存在内存中的一个树结构里，之后你可以利用dom 提供的不同的函数来读取或修改文档的内容和结构，也可以把修改过的内容写入xml文件。python中用xml.dom.minidom来解析xml文件，例子如下：
在code上查看代码片派生到我的代码片

  #!/usr/bin/python 
  #coding=utf-8 
   
  from xml.dom.minidom import parse 
  import xml.dom.minidom 
   
  # 使用minidom解析器打开xml文档 
  domtree = xml.dom.minidom.parse("country.xml") 
  data = domtree.documentelement 
  if data.hasattribute("name"): 
    print "name element : %s" % data.getattribute("name") 
   
  # 在集合中获取所有国家 
  countrys = data.getelementsbytagname("country") 
   
  # 打印每个国家的详细信息 
  for country in countrys: 
    print "*****country*****" 
    if country.hasattribute("name"): 
     print "name: %s" % country.getattribute("name") 
   
    rank = country.getelementsbytagname('rank')[0] 
    print "rank: %s" % rank.childnodes[0].data 
    year = country.getelementsbytagname('year')[0] 
    print "year: %s" % year.childnodes[0].data 
    gdppc = country.getelementsbytagname('gdppc')[0] 
    print "gdppc: %s" % gdppc.childnodes[0].data 
   
    for neighbor in country.getelementsbytagname("neighbor"):  
      print neighbor.tagname, ":", neighbor.getattribute("name"), neighbor.getattribute("direction") 

运行结果：

参考：https://docs.python.org/2/library/xml.dom.html

3、xml.sax.*

       sax是一种基于事件驱动的api，利用sax解析xml牵涉到两个部分：解析器和事件处理器。其中解析器负责读取xml文档，并向事件处理器发送事件，如元素开始跟元素结束事件；而事件处理器则负责对事件作出相应，对传递的xml数据进行处理。python中使用sax方式处理xml要先引入xml.sax中的parse函数，还有xml.sax.handler中的contenthandler。常使用在如下的情况下：一、对大型文件进行处理；二、只需要文件的部分内容，或者只需从文件中得到特定信息；三、想建立自己的对象模型的时候。
contenthandler类方法介绍
（1）characters(content)方法
调用时机：
从行开始，遇到标签之前，存在字符，content的值为这些字符串。
从一个标签，遇到下一个标签之前， 存在字符，content的值为这些字符串。
从一个标签，遇到行结束符之前，存在字符，content的值为这些字符串。
标签可以是开始标签，也可以是结束标签。
（2）startdocument()方法
文档启动的时候调用。
（3）enddocument()方法
解析器到达文档结尾时调用。
（4）startelement(name, attrs)方法
遇到xml开始标签时调用，name是标签的名字，attrs是标签的属性值字典。
（5）endelement(name)方法
遇到xml结束标签时调用。
在code上查看代码片派生到我的代码片

  #coding=utf-8 
  #!/usr/bin/python 
   
  import xml.sax 
   
  class countryhandler(xml.sax.contenthandler): 
    def __init__(self): 
     self.currentdata = "" 
     self.rank = "" 
     self.year = "" 
     self.gdppc = "" 
     self.neighborname = "" 
     self.neighbordirection = "" 
   
    # 元素开始事件处理 
    def startelement(self, tag, attributes): 
     self.currentdata = tag 
     if tag == "country": 
       print "*****country*****" 
       name = attributes["name"] 
       print "name:", name 
     elif tag == "neighbor": 
       name = attributes["name"] 
       direction = attributes["direction"] 
       print name, "->", direction 
   
    # 元素结束事件处理 
    def endelement(self, tag): 
     if self.currentdata == "rank": 
       print "rank:", self.rank 
     elif self.currentdata == "year": 
       print "year:", self.year 
     elif self.currentdata == "gdppc": 
       print "gdppc:", self.gdppc 
     self.currentdata = "" 
   
    # 内容事件处理 
    def characters(self, content): 
     if self.currentdata == "rank": 
       self.rank = content 
     elif self.currentdata == "year": 
       self.year = content 
     elif self.currentdata == "gdppc": 
       self.gdppc = content 
    
  if __name__ == "__main__": 
     # 创建一个 xmlreader 
    parser = xml.sax.make_parser() 
    # turn off namepsaces 
    parser.setfeature(xml.sax.handler.feature_namespaces, 0) 
   
     # 重写 contexthandler 
    handler = countryhandler() 
    parser.setcontenthandler(handler) 
     
    parser.parse("country.xml") 

运行结果：

4、libxml2和lxml解析xml

       libxml2是使用c语言开发的xml解析器，是一个基于mit license的免费开源软件，多种编程语言都有基于它的实现，python中的libxml2模块有点小不足的是：xpatheval()接口不支持类似模板的用法，但不影响使用，因libxml2采用c语言开发的，因此在使用api接口的方式上难免会有点不适应。
在code上查看代码片派生到我的代码片

  #!/usr/bin/python 
  #coding=utf-8 
   
  import libxml2 
   
  doc = libxml2.parsefile("country.xml") 
  for book in doc.xpatheval('//country'): 
    if book.content != "": 
      print "----------------------" 
      print book.content 
  for node in doc.xpatheval("//country/neighbor[@name = 'colombia']"): 
    print node.name, (node.properties.name, node.properties.content) 
  doc.freedoc() 

        lxml是以libxml2为基础采用python语言开发的，从使用层面上说比lxml更适合python开发者，且xpath()接口支持类似模板的用法。
在code上查看代码片派生到我的代码片

  #!/usr/bin/python 
  #coding=utf-8 
   
  import lxml.etree  
   
  doc = lxml.etree.parse("country.xml")  
  for node in doc.xpath("//country/neighbor[@name = $name]", name = "colombia"):  
    print node.tag, node.items() 
  for node in doc.xpath("//country[@name = $name]", name = "singapore"):  
    print node.tag, node.items() 

三、总结
（1）python中xml解析可用的类库或模块有xml、libxml2 、lxml 、xpath等，需要深入了解的还需参考相应的文档。
（2）每一种解析方式都有自己的优点和缺点，选择前可以综合各个方面的性能考虑。
（3）若有不足，请留言，在此先感谢！