python

转载自http://blog.csdn.net/porcupinefinal

网上关于xml文件解析的例子多如牛毛，用python解析的也不少，在百度输入python xml就会出来不少结果。我也是从这些例子和文章中学的，所以会有类似的地方，当然我也会加入自己的一些体会。
《dive into python》第五章对这一部分有较详尽的讲解。

下边开始我们的xml解析之旅：
处理xml有两种方法：

FIRST：SAX—Simple API for XML。它的工作方式是，一次读出一点XML，对发现的每个元素调用一个方法。SAX是 XML 语法分析器的公用语法分析器接口。它允许应用程序作者编写使用 XML 语法分析器的应用程序，但是它却独立于所使用的语法分析器。（将它看作 XML 的 JDBC。）（Lars Marius Garshol，SAX for Python）

功能：基本上是一个 XML 文档的顺序处理器。应用程序员将定义一个 handler 类，而不是语法分析器类，该 handler 类能注册到任何所使用的语法分析器中。必须定义 4 个 SAX 接口（每个接口都有几个方法）：DocumentHandler、DTDHandler、EntityResolver 和 ErrorHandler。创建语法分析器除非被覆盖，否则它还连接默认接口。

SECOND：DOM—Document Object Model。它的工作方式是，一次读出整个XML文档，通过将本地的Python类链接到一个树型结构中，生成文档的一个内部表示。

这篇文章里我主要用的是SAX这种方法（在dive into python一书中用的是DOM这种方式，我将在下一篇文章python与xml之更新篇中用这种方法举例如何增加、更新及删除xml文件中的某个节点。）我之所以选择这种方法是因为关于用DOM来解析xml的文章实在太多，没有什么从新写的必要，网上也有人说用DOM解析较大的xml文件时效率较低的问题（自己没有测试过，有人说是5M的文件要解析20分钟。。。是够慢的），所以我选择了用SAX来解析xml。

示例：（该示例转载自ibm上可爱的python系列）

import string
import xml.sax
from xml.sax.handler import *
classQuotationHandler(ContentHandler):
    """Crude extractor for quotations.dtd compliant XML document"""
    def __init__(self):
        self.in_quote = 0
        self.thisquote = ''

    def startDocument(self):
        print '--- Begin Document ---'

    def startElement(self, name, attrs):
        if name == 'quotation':
            print 'QUOTATION:'
            self.in_quote = 1
        else:
            self.thisquote = self.thisquote + '{'

    def endElement(self, name):
        if name == 'quotation':
            print string.join(string.split(self.thisquote[:230]))+'...',
            print '('+str(len(self.thisquote))+' bytes)\n'
            self.thisquote = ''
            self.in_quote = 0
        else:
            self.thisquote = self.thisquote + '}'

    def characters(self, ch):
        if self.in_quote:
            self.thisquote = self.thisquote + ch

if __name__ == '__main__':
    parser = xml.sax.make_parser()
    handler = QuotationHandler()
    parser.setContentHandler(handler)
    parser.parse("sample.xml"

要点：
1、 注意黑体加粗部分，首先继承ContentHandler，构造自己的handler；
2、 剩下的startElement、endElement、characters三个接口必须实现，startElement和endElement主要用于解析形如<school>北理</school>的结构，当处理器进入<school>时将in_quote置为1，在characters中将“北理”这个值赋于self.thisquote然后在endElement中可通过self.thisquote获得“北理”这一值；
3、 形如<class id=”09120016” />或<class id=”09120016”></class>的解析在startElement中进行，通过attrsattrs.get(‘id’, None)获得“09120016”这一值。（在这个示例里没有，如有不明白的可以发email给我porcupine2004@126.com）；
4、 parse() 方法处理整个流或字符串，所以不必为语法分析器创建循环；
5、 parse() 同样能灵活地接收一个文件名、一个文件对象，或是众多的类文件对象（一些具有 .read() 方式）；