6.3 解析簡單的XML數(shù)據

問題

你想從一個簡單的XML文檔中提取數(shù)據。

解決方案

可以使用 xml.etree.ElementTree 模塊從簡單的XML文檔中提取數(shù)據。為了演示，假設你想解析Planet Python上的RSS源。下面是相應的代碼：

from urllib.request import urlopen
from xml.etree.ElementTree import parse

# Download the RSS feed and parse it
u = urlopen('http://planet.python.org/rss20.xml')
doc = parse(u)

# Extract and output tags of interest
for item in doc.iterfind('channel/item'):
    title = item.findtext('title')
    date = item.findtext('pubDate')
    link = item.findtext('link')

    print(title)
    print(date)
    print(link)
    print()

運行上面的代碼，輸出結果類似這樣：

Steve Holden: Python for Data Analysis
Mon, 19 Nov 2012 02:13:51 +0000
http://holdenweb.blogspot.com/2012/11/python-for-data-analysis.html

Vasudev Ram: The Python Data model (for v2 and v3)
Sun, 18 Nov 2012 22:06:47 +0000
http://jugad2.blogspot.com/2012/11/the-python-data-model.html

Python Diary: Been playing around with Object Databases
Sun, 18 Nov 2012 20:40:29 +0000
http://www.pythondiary.com/blog/Nov.18,2012/been-...-object-databases.html

Vasudev Ram: Wakari, Scientific Python in the cloud
Sun, 18 Nov 2012 20:19:41 +0000
http://jugad2.blogspot.com/2012/11/wakari-scientific-python-in-cloud.html

Jesse Jiryu Davis: Toro: synchronization primitives for Tornado coroutines
Sun, 18 Nov 2012 20:17:49 +0000
http://feedproxy.google.com/~r/EmptysquarePython/~3/_DOZT2Kd0hQ/

很顯然，如果你想做進一步的處理，你需要替換 print() 語句來完成其他有趣的事。

討論

在很多應用程序中處理XML編碼格式的數(shù)據是很常見的。不僅是因為XML在Internet上面已經被廣泛應用于數(shù)據交換，同時它也是一種存儲應用程序數(shù)據的常用格式(比如字處理，音樂庫等)。接下來的討論會先假定讀者已經對XML基礎比較熟悉了。

在很多情況下，當使用XML來僅僅存儲數(shù)據的時候，對應的文檔結構非常緊湊并且直觀。例如，上面例子中的RSS訂閱源類似于下面的格式：

<?xml version="1.0"?>
<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/">
    <channel>
        <title>Planet Python</title>
        <link>http://planet.python.org/</link>
        <language>en</language>
        <description>Planet Python - http://planet.python.org/</description>
        <item>
            <title>Steve Holden: Python for Data Analysis</title>
            <guid>http://holdenweb.blogspot.com/...-data-analysis.html</guid>
            <link>http://holdenweb.blogspot.com/...-data-analysis.html</link>
            <description>...</description>
            <pubDate>Mon, 19 Nov 2012 02:13:51 +0000</pubDate>
        </item>
        <item>
            <title>Vasudev Ram: The Python Data model (for v2 and v3)</title>
            <guid>http://jugad2.blogspot.com/...-data-model.html</guid>
            <link>http://jugad2.blogspot.com/...-data-model.html</link>
            <description>...</description>
            <pubDate>Sun, 18 Nov 2012 22:06:47 +0000</pubDate>
        </item>
        <item>
            <title>Python Diary: Been playing around with Object Databases</title>
            <guid>http://www.pythondiary.com/...-object-databases.html</guid>
            <link>http://www.pythondiary.com/...-object-databases.html</link>
            <description>...</description>
            <pubDate>Sun, 18 Nov 2012 20:40:29 +0000</pubDate>
        </item>
        ...
    </channel>
</rss>

xml.etree.ElementTree.parse() 函數(shù)解析整個XML文檔并將其轉換成一個文檔對象。 然后，你就能使用 find() 、iterfind() 和 findtext() 等方法來搜索特定的XML元素了。 這些函數(shù)的參數(shù)就是某個指定的標簽名，例如 channel/item 或 title 。 每次指定某個標簽時，你需要遍歷整個文檔結構。每次搜索操作會從一個起始元素開始進行。 同樣，每次操作所指定的標簽名也是起始元素的相對路徑。 例如，執(zhí)行 doc.iterfind('channel/item') 來搜索所有在 channel 元素下面的 item 元素。 doc 代表文檔的最頂層(也就是第一級的 rss 元素)。 然后接下來的調用 item.findtext() 會從已找到的 item 元素位置開始搜索。 ElementTree 模塊中的每個元素有一些重要的屬性和方法，在解析的時候非常有用。 tag 屬性包含了標簽的名字，text 屬性包含了內部的文本，而 get() 方法能獲取屬性值。例如：

>>> doc
<xml.etree.ElementTree.ElementTree object at 0x101339510>
>>> e = doc.find('channel/title')
>>> e
<Element 'title' at 0x10135b310>
>>> e.tag
'title'
>>> e.text
'Planet Python'
>>> e.get('some_attribute')
>>>

有一點要強調的是 xml.etree.ElementTree 并不是XML解析的唯一方法。對于更高級的應用程序，你需要考慮使用 lxml 。它使用了和ElementTree同樣的編程接口，因此上面的例子同樣也適用于lxml。你只需要將剛開始的import語句換成 from lxml.etree import parse 就行了。lxml 完全遵循XML標準，并且速度也非?？?，同時還支持驗證，XSLT和XPath等特性。