6.7 利用命名空間解析XML文檔 · Python3 CookBook中文版

## 問題你想解析某個XML文檔，文檔中使用了XML命名空間。 ## 解決方案考慮下面這個使用了命名空間的文檔：如果你解析這個文檔并執行普通的查詢，你會發現這個并不是那么容易，因為所有步驟都變得相當的繁瑣。 >>> # Some queries that work >>> doc.findtext('author') 'David Beazley' >>> doc.find('content') <Element 'content' at 0x100776ec0> >>> # A query involving a namespace (doesn't work) >>> doc.find('content/html') >>> # Works if fully qualified >>> doc.find('content/{http://www.w3.org/1999/xhtml}html') <Element '{http://www.w3.org/1999/xhtml}html' at 0x1007767e0> >>> # Doesn't work >>> doc.findtext('content/{http://www.w3.org/1999/xhtml}html/head/title') >>> # Fully qualified >>> doc.findtext('content/{http://www.w3.org/1999/xhtml}html/' ... '{http://www.w3.org/1999/xhtml}head/{http://www.w3.org/1999/xhtml}title') 'Hello World' >>> 你可以通過將命名空間處理邏輯包裝為一個工具類來簡化這個過程： class XMLNamespaces: def __init__(self, **kwargs): self.namespaces = {} for name, uri in kwargs.items(): self.register(name, uri) def register(self, name, uri): self.namespaces[name] = '{'+uri+'}' def __call__(self, path): return path.format_map(self.namespaces) 通過下面的方式使用這個類： >>> ns = XMLNamespaces(html='http://www.w3.org/1999/xhtml') >>> doc.find(ns('content/{html}html')) <Element '{http://www.w3.org/1999/xhtml}html' at 0x1007767e0> >>> doc.findtext(ns('content/{html}html/{html}head/{html}title')) 'Hello World' >>> ## 討論解析含有命名空間的XML文檔會比較繁瑣。上面的 `XMLNamespaces` 僅僅是允許你使用縮略名代替完整的URI將其變得稍微簡潔一點。很不幸的是，在基本的 `ElementTree` 解析中沒有任何途徑獲取命名空間的信息。但是，如果你使用 `iterparse()` 函數的話就可以獲取更多關于命名空間處理范圍的信息。例如： >>> from xml.etree.ElementTree import iterparse >>> for evt, elem in iterparse('ns2.xml', ('end', 'start-ns', 'end-ns')): ... print(evt, elem) ... end <Element 'author' at 0x10110de10> start-ns ('', 'http://www.w3.org/1999/xhtml') end <Element '{http://www.w3.org/1999/xhtml}title' at 0x1011131b0> end <Element '{http://www.w3.org/1999/xhtml}head' at 0x1011130a8> end <Element '{http://www.w3.org/1999/xhtml}h1' at 0x101113310> end <Element '{http://www.w3.org/1999/xhtml}body' at 0x101113260> end <Element '{http://www.w3.org/1999/xhtml}html' at 0x10110df70> end-ns None end <Element 'content' at 0x10110de68> end <Element 'top' at 0x10110dd60> >>> elem # This is the topmost element <Element 'top' at 0x10110dd60> >>> 最后一點，如果你要處理的XML文本除了要使用到其他高級XML特性外，還要使用到命名空間，建議你最好是使用 `lxml` 函數庫來代替 `ElementTree` 。例如，`lxml` 對利用DTD驗證文檔、更好的XPath支持和一些其他高級XML特性等都提供了更好的支持。這一小節其實只是教你如何讓XML解析稍微簡單一點。