【Python】 xml解析与生成 xml

xml

　　*之前用的时候也没想到。。其实用BeautifulSoup就可以解析xml啊。。因为html只是xml的一种实现方式吧。但是很蛋疼的一点就是，bs不提供获取对象的方法，其find大多获取的都是字符串，这就导致不得不一遍遍地连续通过bs总对象来定位元素再输出这样子。挺麻烦的。

　　xml是一种常用的网络通讯格式，也是一种文件的格式。xml包里有多种不同的可用于解析&生成文件的模块，比如：

　　　　xml.dom.minidom

　　　　xml.etree.ElementTree

　　　　xml.aix等等。这三者比较起来，minidom最贴近底层代码，但是写起来也最烦。本文主要通过ElementTree来解析&生成。尽管ElementTree也有很多不合理的地方，但是可以通过修改源码，重载源码的部分方法来解决。

　　■　　ElementTree基本用法

from xml.etree import ElementTree

doc = ElementTree.parse("文件路径"or"文件对象"[,parser=...])
'''
虽然也可用ElementTree直接来生成文件对象，但是用parse来生成的话可以指定parser。这个parser后面会讲到有什么作用
'''

　　所得到的doc对象就是文件的根节点对象。所谓根节点，就是整个文件第一对有效的标签所指代的节点。

　　●  对于每个节点，都有：

　　　　.text　　代表该节点的文本内容（和bs一样，那些有子孙元素但是本身没有内容的节点的这个属性是空串，需要注意）

　　　　.attrib　　代表该节点的属性（字典形式）

　　　　.tag　　代表该节点的tag名

　　●  而对于包括根节点在内的所有节点都有以下节点可调用的方法：

　　　　.find("tag名")　　找出其子节点中第一个指定tag名的节点

　　　　.findall("tag名")　　找出所有子节点which是指定的tag名，返回一个列表

　　　　.findtext("tag名")　　找出相应子节点的文本内容，相当于上面的find找到对象之后再访问其.text属性

　　　　//以上三个方法都是只检索子节点，不检索孙节点以及更加后辈的节点

　　　　.getiterator([tag])　　从当前节点开始，生成一个迭代器，里面是遍历了包括当前节点在内的所有后辈节点。tag参数相当于一个filter，指定tag的话迭代器只返回tag名和给出值一致的节点。

　　　　*以上的那些find啥啥的方法，里面的tag名其实是有语法的。单纯的"tag"就只检索当前节点的子节点中名为tag的节点。如果是'.//tag'的话就是搜索所有后辈节点中的tag节点了。更多具体的语法可以参见python参考手册，就不多说了

　　●  另外，ElementTree也在节点对象中实现了几个magic method，所以节点（这次不包括根节点了）也有了如下借口：

　　　　elem[n]　　节点elem的第n个子节点（不是n+1个！）

　　　　del elem[n]　　删除elem的第n个子节点

　　　　len(elem)　　子节点的个数

　　　　elem[n] = newElement　　将某个子节点替换成另外一个element

　  ●  对于非根节点，还有以下的一些方法：

　　　　clear()　　清空所有后辈节点

　　　　append(Element)　　加入一个新子节点

　　　　get(key)　　获取某个属性的值

　　　　insert(index,Element)　　将子节点插入某个特定的位置

　　　　remove(Element)　　从该节点中移除一个子节点

　　　　set(key,value)　　设置某个节点的属性值

　 ●  关于Element的构造方法

　　　　上面很多方法都用element作为参数，那么element是怎么来的，就要用到Element构造方法了。

　　　　ElementTree.Element(tag[,attrib])　　构造一个Element，但是没有文本内容

　　　　ElementTree.XML("xmlcode")　　将一段xml代码转化为一个Element对象，比较实用

　　　　ElementTree.Comment("text")　　生成一段注释的Element对象

●  最后，ElementTree还提供了几个类方法

　　　　ElementTree.dump(Element)　　把相关element的内容打印出来，主要用于调试。因为element对象普遍没有实现__repr__方法

　　　　ElementTree.iselement(element)　　判断某个对象是不是有效的element对象

　以上的所有操作都是对存储在内存中的一个XMLTree对象的改动，要想保存成文件，只要根节点调用方法write即可

doc.write("文件路径"or"w模式文件对象"[,encoding=xxx])

　这里面的encoding参数也有点意思。encoding的默认值是utf-8，当encoding被指定且不是utf-8或者ascii的时候，在新生成的文件头上自动会加一条<?xml version="1.0" encoding="xxx">

　　*ElementTree有一个很大的问题，就是在默认情况下，会吃掉所有注释内容。

　　　这种现象的原因是因为，源码中默认的TreeBuilder（这个类的作用是构建一个对象，这个对象用来存储抽象化后的文件内容。）在建立Tree对象的时候没有写处理注释的方法。

　　　解决方法是自己写个CommentedTreeBuilder类来重载处理注释：

class CommentedTreeBuilder(XMLTreeBuilder):

    def __init__(self, html=0, target=None):
        XMLTreeBuilder.__init__(self, html, target)
        self._parser.CommentHandler = self.handle_comment    #指定处理comment的方法。

    def handle_comment(self, data):
        '''
        默认的处理comment的方法是什么都不做直接pass，而在这个方法里，通过start，data和end三个方法，相当于把注释的内容原封不动地复制到创建的Tree对象里去，使得注释得以保存
        '''
        self._target.start(Comment, {})
        self._target.data(data)
        self._target.end(Comment)

　　handle_comment方法接受的参数data是一个ascii字符串或者unicode字符串。当有中文字符时无疑data是unicode。如果在write的时候不指明encoding类型的话可能会出现写入中文字符出错，变成其编码的格式了。解决办法就是在write的时候指出encoding参数如encoding='UTF-8'