6.3 解析簡單的XML數據 · Python3 CookBook中文版

## 問題你想從一個簡單的XML文檔中提取數據。 ## 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據交換，同時它也是一種存儲應用程序數據的常用格式(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。這些函數的參數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，并且速度也非常快，同時還支持驗證，XSLT和XPath等特性。