Python3: XML 的 SAX 和 DOM 解析

深碍√TFBOYSˉ_ 2021-09-21 23:06 486阅读 0赞

本文链接: [https://blog.csdn.net/xietansheng/article/details/115559132][https_blog.csdn.net_xietansheng_article_details_115559132]

[Python3 学习笔记（目录）][Python3]

# 0. XML 简介 #

常用的 XML 解析有 SAX 和 DOM 两种解析方式（还有 PULL 方式）。

SAX 解析以事件驱动方式一边读取一边解析 XML 文档，DOM 则将整个 XML 文档读取到内存中形成一颗 DOM 树后再进行操作。

Python 标准库中包含了 XML 的 SAX 和 DOM 解析。

Python Docs:

*  [xml.sax — Support for SAX2 parsers][xml.sax _ Support for SAX2 parsers]
 *  [xml.dom — The Document Object Model API][xml.dom _ The Document Object Model API]

# 1. SAX（Simple API for XML） #

Python 中的 SAX 解析，主要涉及到一个类`xml.sax.handler.ContentHandler`，使用时需自定义一个类继承 ContentHandler 并重写其方法用于接收 XML 文档解析过程的事件回调。

Python Docs: [contenthandler-objects][]

`xml.sax.handler.ContentHandler`类中的方法:

ContentHandler.setDocumentLocator(locator)
    
    ContentHandler.startDocument()
    ContentHandler.endDocument()
    
    ContentHandler.startPrefixMapping(prefix, uri)
    ContentHandler.endPrefixMapping(prefix)
    
    ContentHandler.startElement(name, attrs)
    ContentHandler.endElement(name)
    
    ContentHandler.startElementNS(name, qname, attrs)
    ContentHandler.endElementNS(name, qname)
    
    ContentHandler.characters(content)
    
    ContentHandler.ignorableWhitespace(whitespace)
    ContentHandler.processingInstruction(target, data)
    ContentHandler.skippedEntity(name)

解析文件，文件名: `books.xml`

<?xml version="1.0" encoding="utf-8"?>
    <root>
        <book id="123">
            <name>Python</name>
            <price>50.00</price>
        </book>
        <book id="456">
            <name>Java</name>
            <price>60.00</price>
        </book>
        <book id="789">
            <name><![CDATA[C/C++]]></name>
            <price>30.00</price>
        </book>
    </root>

SAX 解析 XML 代码示例:

import xml.sax
    
    
    class Book:
        """ Book 类, 用于保存 xml 中 <book/> 元素节点的数据 """
        id: int = 0
        name: str = None
        price: float = 0.0
    
        def __str__(self):
            return "Book: id=%d, name=%s, price=%.2f" % (self.id, self.name, self.price)
    
    
    class BooksContentHandler(xml.sax.handler.ContentHandler):
        """ 用于解析 Books XML 的 Handler """
        books: list = None                      # 用于保存所有的 Books
    
        __book: Book = None                     # 临时解析到的 Book
    
        __current_element_name: str = None      # 当前解析到的元素节点名称
    
        def startDocument(self):
            """ 文档开始 """
            # 文档开始, 重置 books
            self.books = []
    
        def endDocument(self):
            """ 文档结束 """
            pass
    
        def startElement(self, name, attrs):
            """ 元素开始 """
            # 元素开始, 保存当前元素节点名称
            self.__current_element_name = name
            if name == "book":
                # <book/> 元素开始, 新建 Book 对象
                self.__book = Book()
                # 收集 <book/> 元素的属性值
                self.__book.id = int(attrs.getValue("id"))
    
        def endElement(self, name):
            """ 元素结束 """
            if name == "book":
                # <book/> 元素结束, 保存收集到的 Book 对象
                self.books.append(self.__book)
                self.__book = None
            # 元素结束, 清除当前元素节点名称
            self.__current_element_name = None
    
        def characters(self, content: str):
            """ 文本节点 """
            if self.__current_element_name == "name":
                # 收集 <name/> 节点内的文本
                self.__book.name = content.strip()
            elif self.__current_element_name == "price":
                # 收集 <price/> 节点内的文本
                self.__book.price = float(content.strip())
    
    
    if __name__ == "__main__":
        # 创建 SAX 解析器
        parser = xml.sax.make_parser()
    
        # 创建用于解析 Books XML 的 Handler
        handler = BooksContentHandler()
    
        # 给解析器设置 Handler
        parser.setContentHandler(handler)
    
        # 解析 XML 文档
        parser.parse("books.xml")
        
        # xml.sax.parse("books.xml", handler) # 可以使用一个方法直接解析
        # xml.sax.parseString(xmlstring, handler) # 可以直接解析一段 xml 文本
    
        # 从 Handler 中获取解析结果输出
        for book in handler.books:
            print(book)

结果输出:

Book: id=123, name=Python, price=50.00
    Book: id=456, name=Java, price=60.00
    Book: id=789, name=C/C++, price=30.00

# 2. DOM（Document Object Model） #

DOM 解析将整个 XML 文档一次性读入内存中解析成一课 DOM 树，再对树进行相关操作。

解析文件，文件名: `books.xml`

DOM 解析 XML 代码示例:

import xml.dom.minidom
    
    
    class Book:
        """ Book 类, 用于保存 xml 中 <book/> 元素节点的数据 """
        id: int = 0
        name: str = None
        price: float = 0.0
    
        def __str__(self):
            return "Book: id=%d, name=%s, price=%.2f" % (self.id, self.name, self.price)
    
    
    if __name__ == "__main__":
        # 解析 XML 文档, 返回一个文档对象（类型: xml.dom.minidom.Document）
        doc = xml.dom.minidom.parse("books.xml")
    
        # 获取文档的根元素（类型: xml.dom.minidom.Element）
        root_elem = doc.documentElement
    
        # 获取 root 元素下的所有 book 元素, 返回 元素的一个列表
        book_elems = root_elem.getElementsByTagName("book")
    
        books = []
    
        # 遍历所有 <book/> 元素
        for book_elem in book_elems:
            book = Book()
    
            # 获取 <book/> 元素的 ID 属性值
            book.id = int(book_elem.getAttribute("id"))
    
            # 获取 <book/> 元素下的 <name/> 元素
            name_elem = book_elem.getElementsByTagName("name")[0]
            # 获取 <name/> 元素下的 文本节点（类型: xml.dom.minidom.Text/xml.dom.minidom.CDATASection）
            text_node = name_elem.childNodes[0]
            # 获取 文本节点 的值
            book.name = text_node.data.strip()
    
            # 获取 <book/> 元素下的 <price/> 元素
            price_elem = book_elem.getElementsByTagName("price")[0]
            # 获取 <price/> 元素下的 文本节点（类型: xml.dom.minidom.Text/xml.dom.minidom.CDATASection）
            text_node = price_elem.childNodes[0]
            # 获取 文本节点 的值
            book.price = float(text_node.data.strip())
    
            books.append(book)
    
        # 输出解析结果
        for book in books:
            print(book)

结果输出:

Book: id=123, name=Python, price=50.00
    Book: id=456, name=Java, price=60.00
    Book: id=789, name=C/C++, price=30.00

[https_blog.csdn.net_xietansheng_article_details_115559132]: https://blog.csdn.net/xietansheng/article/details/115559132
[Python3]: https://blog.csdn.net/xietansheng/article/details/109266600
[xml.sax _ Support for SAX2 parsers]: https://docs.python.org/zh-cn/3/library/xml.sax.html
[xml.dom _ The Document Object Model API]: https://docs.python.org/zh-cn/3/library/xml.dom.html
[contenthandler-objects]: https://docs.python.org/zh-cn/3/library/xml.sax.handler.html#contenthandler-objects