9.3. XML 解析 · Dive Into Python

# 9.3. XML 解析正如我说的，实际解析一个 XML 文档是非常简单的：只要一行代码。从这里出发到哪儿去就是你自己的事了。 ## 例 9.8. 载入一个 XML 文档 (这次是真的) ``` >>> from xml.dom import minidom >>> xmldoc = minidom.parse('~/diveintopython/common/py/kgp/binary.xml') >>> xmldoc <xml.dom.minidom.Document instance at 010BE87C> >>> print xmldoc.toxml() <?xml version="1.0" ?> <grammar> <ref id="bit"> 0 1 </ref> <ref id="byte"> <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\ <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/> </ref> </grammar> ``` | | | | --- | --- | | \[1\] | 正如在[上一节](packages.html "9.2. 包")看到的，该语句从 `xml.dom` 包中导入 `minidom` 模块。 | | \[2\] | 这就是进行所有工作的一行代码：`minidom.parse` 接收一个参数并返回 XML 文档解析后的表示形式。这个参数可以是很多东西；在本例中，它只是我本地磁盘上一个 XML 文档的文件名。(你需要将路径改为指向下载的例子所在的目录。) 但是你也可以传入一个[文件对象](../file_handling/file_objects.html "6.2. 与文件对象共事")，或甚至是一个[类文件对象](../html_processing/extracting_data.html#dialect.extract.urllib "例 8.5. urllib 介绍")。这样你就可以在本章后面好好利用这一灵活性了。 | | \[3\] | 从 `minidom.parse` 返回的对象是一个 `Document` 对象，它是 `Node` 类的一个子对象。这个 `Document` 对象是联锁的 Python 对象的一个复杂树状结构的根层次，这些 Python 对象完整表示了传给 `minidom.parse` 的 XML 文档。 | | \[4\] | `toxml` 是 `Node` 类的一个方法 (因此可以在从 `minidom.parse` 中得到的 `Document` 对象上使用)。`toxml` 打印出了 `Node` 表示的 XML。对于 `Document` 节点，这样就会打印出整个 XML 文档。 | 现在内存中已经有了一个 XML 文档了，你可以开始遍历它了。 ## 例 9.9. 获取子节点 ``` >>> xmldoc.childNodes [<DOM Element: grammar at 17538908>] >>> xmldoc.childNodes[0] <DOM Element: grammar at 17538908> >>> xmldoc.firstChild <DOM Element: grammar at 17538908> ``` | | | | --- | --- | | \[1\] | 每个 `Node` 都有一个 `childNodes` 属性，它是一个 `Node` 对象的列表。一个 `Document` 只有一个子节点，即 XML 文档的根元素 (在本例中，是 `grammar` 元素)。 | | \[2\] | 为了得到第一个 (在本例中，只有一个) 子节点，只要使用正规的列表语法。回想一下，其实这里没有发生什么特别的；这只是一个由正规 Python 对象构成的正规 Python 列表。 | | \[3\] | 鉴于获取某个节点的第一个子节点是有用而且常见的行为，所以 `Node` 类有一个 `firstChild` 属性，它和`childNodes[0]`具有相同的语义。(还有一个 `lastChild` 属性，它和`childNodes[-1]`具有相同的语义。) | ## 例 9.10. `toxml` 用于任何节点 ``` >>> grammarNode = xmldoc.firstChild >>> print grammarNode.toxml() <grammar> <ref id="bit"> 0 1 </ref> <ref id="byte"> <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\ <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/> </ref> </grammar> ``` | | | | --- | --- | | \[1\] | 由于 `toxml` 方法是定义在 `Node` 类中的，所以对任何 XML 节点都是可用的，不仅仅是 `Document` 元素。 | ## 例 9.11. 子节点可以是文本 ``` >>> grammarNode.childNodes [<DOM Text node "\n">, <DOM Element: ref at 17533332>, \ <DOM Text node "\n">, <DOM Element: ref at 17549660>, <DOM Text node "\n">] >>> print grammarNode.firstChild.toxml() >>> print grammarNode.childNodes[1].toxml() <ref id="bit"> 0 1 </ref> >>> print grammarNode.childNodes[3].toxml() <ref id="byte"> <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\ <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/> </ref> >>> print grammarNode.lastChild.toxml() ``` | | | | --- | --- | | \[1\] | 查看 `binary.xml` 中的 XML ，你可能会认为 `grammar` 只有两个子节点，即两个 `ref` 元素。但是你忘记了一些东西：硬回车！在`'<grammar>'`之后，第一个`'<ref>'`之前是一个硬回车，并且这个文本算作 `grammar` 元素的一个子节点。类似地，在每个`'</ref>'`之后都有一个硬回车；它们都被当作子节点。所以`grammar.childNodes`实际上是一个有5个对象的列表：3个 `Text` 对象和两个 `Element` 对象。 | | \[2\] | 第一个子节点是一个 `Text` 对象，它表示在`'<grammar>'`标记之后、第一个`'<ref>'`标记之后的硬回车。 | | \[3\] | 第二个子节点是一个 `Element` 对象，表示了第一个 `ref` 元素。 | | \[4\] | 第四个子节点是一个 `Element` 对象，表示了第二个 `ref` 元素。 | | \[5\] | 最后一个子节点是一个 `Text` 对象，表示了在`'</ref>'`结束标记之后、`'</grammar>'` 结束标记之前的硬回车。 | ## 例 9.12. 把文本挖出来 ``` >>> grammarNode <DOM Element: grammar at 19167148> >>> refNode = grammarNode.childNodes[1] >>> refNode <DOM Element: ref at 17987740> >>> refNode.childNodes [<DOM Text node "\n">, <DOM Text node " ">, <DOM Element: p at 19315844>, \ <DOM Text node "\n">, <DOM Text node " ">, \ <DOM Element: p at 19462036>, <DOM Text node "\n">] >>> pNode = refNode.childNodes[2] >>> pNode <DOM Element: p at 19315844> >>> print pNode.toxml() 0 >>> pNode.firstChild <DOM Text node "0"> >>> pNode.firstChild.data u'0' ``` | | | | --- | --- | | \[1\] | 正如你在前面的例子中看到的，第一个 `ref` 元素是 `grammarNode.childNodes[1]`，因为 childNodes[0] 是一个代表硬回车的 `Text` 节点。 | | \[2\] | `ref` 元素有它自己的子节点集合，一个表示硬回车，另一个表示空格，一个表示 `p` 元素，诸如此类。 | | \[3\] | 你甚至可以在这里使用 `toxml` 方法，尽管它深深嵌套在文档中。 | | \[4\] | `p` 元素只有一个子节点 (在这个例子中无法看出，但是如果你不信，可以看看`pNode.childNodes`)，而且它是表示单字符`'0'`的一个 `Text` 节点。 | | \[5\] | `Text` 节点的 `.data` 属性可以向你提供文本节点真正代表的字符串。但是字符串前面的`'u'`是什么意思呢？答案将自己专门有一部分来论述。 |