[python] 解析xml文件

0. XML 基礎

參考文檔：http://www.runoob.com/xml/xml-tutorial.html

 

 

　　0A. XML 特性

• XML 用於傳輸數據，而不是顯示數據 <--> HTML
• 具備自我描述性
• 沒有預約義的標籤

　　0B. XML 語法

• XML申明（可選）：<?xml version="1.0" encoding="UTF-8"?>
• XML 文檔造成一種樹結構：element; attribute; element content
• 根元素（必有）
• 全部XML 元素都必須有一個關閉標籤（與HTML不一樣）
• 對大小寫敏感
• 元素必須正確嵌套
• 屬性值必須加引號
• 實體引用 「<」<-->「&lt;」 ，「>」<-->「&gt;」 ，「&」<-->「&amp;」 ，「'」<-->「&apos;」 ，「"」<-->「&quot;」
• 註釋：<!-- This is a comment -->
• 空格會被保留
• 以 LF 存儲換行

　　0C. XML 與 JSON 主要組成成分區別

• XML是element、attribute和element content
• JSON是object、 array、string、number、boolean(true/false)和null

 

1. DOM 解析XML

　　 Python主要有三種方式解析XML：

1. SAX (simple API for XML)
2. DOM(Document Object Model)
3. ElementTree(元素樹)

參考文檔：

https://docs.python.org/2/library/xml.dom.minidom.html；

https://docs.python.org/2/library/xml.dom.html 

 

DOM中全部對象類型： 

Interface	Section	Purpose
DOMImplementation	DOMImplementation Objects	Interface to the underlying implementation.
Node	Node Objects	Base interface for most objects in a document.
NodeList	NodeList Objects	Interface for a sequence of nodes.
DocumentType	DocumentType Objects	Information about the declarations needed to process a document.
Document	Document Objects	Object which represents an entire document.
Element	Element Objects	Element nodes in the document hierarchy.
Attr	Attr Objects	Attribute value nodes on element nodes.
Comment	Comment Objects	Representation of comments in the source document.
Text	Text and CDATASection Objects	Nodes containing textual content from the document.
ProcessingInstruction	ProcessingInstruction Objects	Processing instruction representation.

 

 

 

 

 

 

 

 

• 其中最重要是Node類，他是實現XML全部組成部分的父類，他的子類包括：Document；Element；Attr；Comment；Text；ProcessingInstruction
• 經過getElementsByTagName()和getElementsByTagNameNS()方法會獲得Node類的集合，即NodeList
• DocumentType爲定義文檔、標籤含義用法等，譬如testng中的xml文件頭部：<!DOCTYPE suite SYSTEM "http://testng.org/testng-1.0.dtd">

 

DOM Node類型

參考文檔：http://www.w3school.com.cn/xmldom/dom_nodetype.asp

節點類型	Named Constant	描述	nodeName 的返回值	nodeValue 的返回值	nodeType 的返回值
Element	ELEMENT_NODE	element（元素）元素	element name	null	1
Attr	ATTRIBUTE_NODE	屬性。	屬性名稱	屬性值	2
Text	TEXT_NODE	元素或屬性中的文本內容。	#text	節點內容	3
CDATASection	CDATA_SECTION_NODE	表示文檔中的 CDATA 區段（文本不會被解析器解析）	#cdata-section	節點內容	4
EntityReference	ENTITY_REFERENCE_NODE	實體引用元素。	實體引用名稱	null	5
Entity	ENTITY_NODE	實體。	實體名稱	null	6
ProcessingInstruction	PROCESSING_INSTRUCTION_NODE	表示處理指令。	target	節點的內容	7
Comment	COMMENT_NODE	註釋。	#comment	註釋文本	8
Document	DOCUMENT_NODE	表示整個文檔（DOM 樹的根節點）	#document	null	9
DocumentType	DOCUMENT_TYPE_NODE	向爲文檔定義的實體提供接口。	doctype 名稱	null	10
DocumentFragment	DOCUMENT_FRAGMENT_NODE	表示輕量級的 Document 對象，其中容納了一部分文檔。	#document fragment	null	11
Notation	NOTATION_NODE	表示在 DTD 中聲明的符號。	符號名稱	null	12

 

 

  

注意：

XML中全部的數據，包括屬性attr，文本內容test，都是node，因此不要直接對標籤對nodeValue，而是要獲取到childNode[0]後，childNode[0].nodeValue

 

經常使用方法

更多方法：https://docs.python.org/2/library/xml.dom.html 

#1A. import minidom
from xml.dom.minidom import parse, parseString


#1B. 解析XML文件成document對象
# parse()能夠傳入文件名或文件對象
dom1 = parse('c:\\temp\\mydata.xml')  # parse an XML file by name

datasource = open('c:\\temp\\mydata.xml')
dom2 = parse(datasource)  # parse an open file

#1c. 解析XML字符串
dom3 = parseString('<myxml>Some data<empty/> some more data</myxml>')

#1d. 獲取根節點
root = dom1.documentElement

#1e.獲取指定節點下,指定標籤名的節點s,返回list
elements = root.getElementsByTagName("XXX")

#1f.獲取子節點s,返回list

elements = root.childNodes

#1g.將節點及其子節點轉換爲xml(即str),可指定編碼：toxml("utf-8")
root.toxml()

# 還有一系列對node增刪改的方法，能夠參看官方手冊文檔