Учебники

Python — обработка XML

XML — это переносимый язык с открытым исходным кодом, который позволяет программистам разрабатывать приложения, которые могут быть прочитаны другими приложениями, независимо от операционной системы и / или языка разработки.

Что такое XML?

Расширяемый язык разметки (XML) — это язык разметки, очень похожий на HTML или SGML. Это рекомендуется Консорциумом World Wide Web и доступно в качестве открытого стандарта.

XML чрезвычайно полезен для отслеживания небольших и средних объемов данных, не требуя магистрали на основе SQL.

XML Parser Архитектуры и API

Стандартная библиотека Python предоставляет минимальный, но полезный набор интерфейсов для работы с XML.

Двумя наиболее основными и широко используемыми API для XML-данных являются интерфейсы SAX и DOM.

  • Простой API для XML (SAX) — здесь вы регистрируете обратные вызовы для интересующих событий, а затем позволяете анализатору проходить через документ. Это полезно, когда ваши документы большие или у вас есть ограничения памяти, он анализирует файл, когда читает его с диска, и весь файл никогда не сохраняется в памяти.

  • API Document Object Model (DOM) — это рекомендация Консорциума World Wide Web, в которой весь файл считывается в память и сохраняется в иерархической (основанной на дереве) форме для представления всех возможностей документа XML.

Простой API для XML (SAX) — здесь вы регистрируете обратные вызовы для интересующих событий, а затем позволяете анализатору проходить через документ. Это полезно, когда ваши документы большие или у вас есть ограничения памяти, он анализирует файл, когда читает его с диска, и весь файл никогда не сохраняется в памяти.

API Document Object Model (DOM) — это рекомендация Консорциума World Wide Web, в которой весь файл считывается в память и сохраняется в иерархической (основанной на дереве) форме для представления всех возможностей документа XML.

Очевидно, что SAX не может обрабатывать информацию так же быстро, как DOM при работе с большими файлами. С другой стороны, использование исключительно DOM действительно может убить ваши ресурсы, особенно если они используются для большого количества маленьких файлов.

SAX доступен только для чтения, а DOM позволяет вносить изменения в файл XML. Поскольку эти два разных API буквально дополняют друг друга, нет никаких причин, по которым вы не можете использовать их оба для больших проектов.

Для всех наших примеров XML-кода, давайте использовать простой XML-файл movies.xml в качестве входных данных —

<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>

Разбор XML с помощью SAX API

SAX — это стандартный интерфейс для синтаксического анализа событий на основе событий. Для синтаксического анализа XML с помощью SAX обычно требуется создать собственный ContentHandler, создав подкласс xml.sax.ContentHandler.

Ваш ContentHandler обрабатывает определенные теги и атрибуты вашего вкуса (ов) XML. Объект ContentHandler предоставляет методы для обработки различных событий синтаксического анализа. Его собственный анализатор вызывает методы ContentHandler, так как он анализирует файл XML.

Методы startDocument и endDocument вызываются в начале и конце файла XML. Символы метода (текст) передаются символьные данные файла XML через текст параметра.

ContentHandler вызывается в начале и конце каждого элемента. Если синтаксический анализатор не находится в режиме пространства имен, вызываются методы startElement (тег, атрибуты) и endElement (тег) ; в противном случае вызываются соответствующие методы startElementNS и endElementNS . Здесь tag — это тег элемента, а attribute — это объект Attributes.

Вот другие важные методы, чтобы понять, прежде чем продолжить —

Метод make_parser

Следующий метод создает новый объект парсера и возвращает его. Созданный объект синтаксического анализа будет иметь первый тип синтаксического анализатора, найденный системой.

xml.sax.make_parser( [parser_list] )

Вот детали параметров —

  • parser_list — необязательный аргумент, состоящий из списка используемых парсеров, который должен реализовывать метод make_parser.

parser_list — необязательный аргумент, состоящий из списка используемых парсеров, который должен реализовывать метод make_parser.

Метод разбора

Следующий метод создает парсер SAX и использует его для разбора документа.

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

Вот детали параметров —

  • xmlfile — это имя файла XML для чтения.

  • contenthandler — это должен быть объект ContentHandler.

  • errorhandler — если указан, errorhandler должен быть объектом SAX ErrorHandler.

xmlfile — это имя файла XML для чтения.

contenthandler — это должен быть объект ContentHandler.

errorhandler — если указан, errorhandler должен быть объектом SAX ErrorHandler.

Метод parseString

Существует еще один метод для создания SAX-парсера и анализа указанной строки XML .

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

Вот детали параметров —

  • xmlstring — это имя строки XML для чтения.

  • contenthandler — это должен быть объект ContentHandler.

  • errorhandler — если указан, errorhandler должен быть объектом SAX ErrorHandler.

xmlstring — это имя строки XML для чтения.

contenthandler — это должен быть объект ContentHandler.

errorhandler — если указан, errorhandler должен быть объектом SAX ErrorHandler.

пример

#!/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 = ""

   # Call when an element starts
   def startElement(self, tag, attributes):
      self.CurrentData = tag
      if tag == "movie":
         print "*****Movie*****"
         title = attributes["title"]
         print "Title:", title

   # Call when an elements ends
   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 = ""

   # Call when a character is read
   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__"):
   
   # create an XMLReader
   parser = xml.sax.make_parser()
   # turn off namepsaces
   parser.setFeature(xml.sax.handler.feature_namespaces, 0)

   # override the default ContextHandler
   Handler = MovieHandler()
   parser.setContentHandler( Handler )
   
   parser.parse("movies.xml")

Это даст следующий результат —

*****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

Для получения полной информации о документации SAX API, пожалуйста, обратитесь к стандартным API Python SAX .

Разбор XML с DOM API

Объектная модель документа («DOM») — это многоязычный API от World Wide Web Consortium (W3C) для доступа к XML-документам и их изменения.

DOM чрезвычайно полезен для приложений с произвольным доступом. SAX позволяет вам просматривать только один бит документа за раз. Если вы смотрите на один элемент SAX, у вас нет доступа к другому.

Вот самый простой способ быстро загрузить документ XML и создать объект minidom с помощью модуля xml.dom. Объект minidom предоставляет простой метод синтаксического анализа, который быстро создает дерево DOM из файла XML.

Пример фразы вызывает функцию parse (file [, parser]) объекта minidom для анализа файла XML, обозначенного файлом, в объект дерева DOM.

#!/usr/bin/python

from xml.dom.minidom import parse
import xml.dom.minidom

# Open XML document using minidom parser
DOMTree = xml.dom.minidom.parse("movies.xml")
collection = DOMTree.documentElement
if collection.hasAttribute("shelf"):
   print "Root element : %s" % collection.getAttribute("shelf")

# Get all the movies in the collection
movies = collection.getElementsByTagName("movie")

# Print detail of each 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

Это даст следующий результат —

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

Для получения полной информации о документации DOM API обратитесь к стандартным API-интерфейсам Python DOM .