Python XML 处理指南：实现跨平台数据互操作

XML 是一种可移植的开源语言，让程序员开发的应用可被其他应用读取，跨操作系统和开发语言。

什么是 XML？

可扩展标记语言 (XML) 类似 HTML 或 SGML，由 W3C 推荐并作为开放标准发布。XML 适合跟踪中小量数据，无需 SQL 数据库支撑。

XML 解析器架构与 API

Python 标准库提供处理 XML 的基本接口。两大主流 API：

• SAX (Simple API for XML)：注册感兴趣事件的回调，解析器逐步读取文档。适合大文档或内存受限场景，边读边解析，不将整个文件加载内存。
• DOM (Document Object Model) API：W3C 推荐，整个文件读入内存并以层次化（树）形式存储，完整呈现 XML 文档特征。

大文件时 SAX 处理速度不如 DOM；但大量小文件独占 DOM 会耗尽资源。SAX 只读，DOM 允许修改 XML。两者互补，大型项目可结合使用。

示例使用 movies.xml 作为输入：

<collection shelf="New Arrivals">
<movie title="Enemy Behind">
<type>War, Thriller</type>
<format>DVD</format>
<year>2003</year>
<rating>PG</rating>
<stars>10</stars>
<description>Talk about a US-Japan war</description>
</movie>
<movie title="Transformers">
<type>Anime, Science Fiction</type>
<format>DVD</format>
<year>1989</year>
<rating>R</rating>
<stars>8</stars>
<description>A schientific fiction</description>
</movie>
<movie title="Trigun">
<type>Anime, Action</type>
<format>DVD</format>
<episodes>4</episodes>
<rating>PG</rating>
<stars>10</stars>
<description>Vash the Stampede!</description>
</movie>
<movie title="Ishtar">
<type>Comedy</type>
<format>VHS</format>
<rating>PG</rating>
<stars>2</stars>
<description>Viewable boredom</description>
</movie>
</collection>

使用 SAX API 解析 XML

SAX 是事件驱动 XML 解析的标准接口。通常需继承 xml.sax.ContentHandler 创建自定义 ContentHandler。

ContentHandler 处理特定标签和属性。解析器解析 XML 文件时调用 ContentHandler 方法。startDocument 和 endDocument 在文件开始和结束时调用。characters(text) 接收字符数据。元素开始和结束时调用 startElement(tag, attributes) 和 endElement(tag)（非命名空间模式），否则调用 startElementNS 和 endElementNS。

make_parser 方法

创建并返回新解析器对象，类型为系统找到的第一个解析器类型。

xml.sax.make_parser([parser_list])

参数：parser_list 可选，解析器列表，必须实现 make_parser 方法。

parse 方法

创建 SAX 解析器并解析文档。

xml.sax.parse(xmlfile, contenthandler[, errorhandler])

参数：xmlfile XML 文件名；contenthandler ContentHandler 对象；errorhandler 可选 SAX ErrorHandler 对象。

parseString 方法

解析 XML 字符串。

xml.sax.parseString(xmlstring, contenthandler[, errorhandler])

示例

#!/usr/bin/python
import xml.sax
class MovieHandler(xml.sax.ContentHandler):
    def __init__(self):
        self.CurrentData = ""
        self.type = ""
        self.format = ""
        self.year = ""
        self.rating = ""
        self.stars = ""
        self.description = ""
    def startElement(self, tag, attributes):
        self.CurrentData = tag
        if tag == "movie":
            print("*****Movie*****")
            title = attributes["title"]
            print("Title:", title)
    def endElement(self, tag):
        if self.CurrentData == "type":
            print("Type:", self.type)
        elif self.CurrentData == "format":
            print("Format:", self.format)
        elif self.CurrentData == "year":
            print("Year:", self.year)
        elif self.CurrentData == "rating":
            print("Rating:", self.rating)
        elif self.CurrentData == "stars":
            print("Stars:", self.stars)
        elif self.CurrentData == "description":
            print("Description:", self.description)
        self.CurrentData = ""
    def characters(self, content):
        if self.CurrentData == "type":
            self.type = content
        elif self.CurrentData == "format":
            self.format = content
        elif self.CurrentData == "year":
            self.year = content
        elif self.CurrentData == "rating":
            self.rating = content
        elif self.CurrentData == "stars":
            self.stars = content
        elif self.CurrentData == "description":
            self.description = content
if __name__ == "__main__":
    parser = xml.sax.make_parser()
    parser.setFeature(xml.sax.handler.feature_namespaces, 0)
    Handler = MovieHandler()
    parser.setContentHandler(Handler)
    parser.parse("movies.xml")

输出：

*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Year: 2003
Rating: PG
Stars: 10
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Year: 1989
Rating: R
Stars: 8
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Stars: 10
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Stars: 2
Description: Viewable boredom

完整 SAX API 文档请参考 Python 标准 SAX APIs。

使用 DOM API 解析 XML

DOM 是 W3C 跨语言 API，用于访问和修改 XML 文档。适合随机访问应用。SAX 一次只能看文档一小部分，DOM 则可随意访问任意节点。

使用 xml.dom.minidom 快速加载 XML 并创建 minidom 对象，其 parse(file[, parser]) 方法将 XML 文件解析为 DOM 树对象。

#!/usr/bin/python
from xml.dom.minidom import parse
import xml.dom.minidom
DOMTree = xml.dom.minidom.parse("movies.xml")
collection = DOMTree.documentElement
if collection.hasAttribute("shelf"):
    print("Root element : %s" % collection.getAttribute("shelf"))
movies = collection.getElementsByTagName("movie")
for movie in movies:
    print("*****Movie*****")
    if movie.hasAttribute("title"):
        print("Title: %s" % movie.getAttribute("title"))
    type = movie.getElementsByTagName('type')[0]
    print("Type: %s" % type.childNodes[0].data)
    format = movie.getElementsByTagName('format')[0]
    print("Format: %s" % format.childNodes[0].data)
    rating = movie.getElementsByTagName('rating')[0]
    print("Rating: %s" % rating.childNodes[0].data)
    description = movie.getElementsByTagName('description')[0]
    print("Description: %s" % description.childNodes[0].data)

输出：

Root element : New Arrivals
*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Rating: PG
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Rating: R
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Description: Viewable boredom

完整 DOM API 文档请参考 Python 标准 DOM APIs。