[python] 解析xml文件

0. XML 基础

参考文档：http://www.runoob.com/xml/xml-tutorial.html

　　0A. XML 特性

• XML 用于传输数据，而不是显示数据 <--> HTML
• 具有自我描述性
• 没有预定义的标签

　　0B. XML 语法

• XML申明（可选）：<?xml version="1.0" encoding="UTF-8"?>
• XML 文档形成一种树结构：element; attribute; element content
• 根元素（必有）
• 所有XML 元素都必须有一个关闭标签（与HTML不同）
• 对大小写敏感
• 元素必须正确嵌套
• 属性值必须加引号
• 实体引用 “<”<-->“&lt;” ，“>”<-->“&gt;” ，“&”<-->“&amp;” ，“'”<-->“&apos;” ，“"”<-->“&quot;”
• 注释：<!-- This is a comment -->
• 空格会被保留
• 以 LF 存储换行

　　0C. XML 与 JSON 主要组成成分区别

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

1. DOM 解析XML

　　 Python主要有三种方式解析XML：

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

参考文档：

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

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

DOM中所有对象类型： 

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类，他是实现XML所有组成部分的父类，他的子类包括：Document；Element；Attr；Comment；Text；ProcessingInstruction
• 通过getElementsByTagName()和getElementsByTagNameNS()方法会得到Node类的集合，即NodeList
• DocumentType为定义文档、标签含义用法等，譬如testng中的xml文件头部：<!DOCTYPE suite SYSTEM "http://testng.org/testng-1.0.dtd">

 

DOM Node类型

参考文档：http://www.w3school.com.cn/xmldom/dom_nodetype.asp

节点类型	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	属性。	属性名称	属性值	2
Text	TEXT_NODE	元素或属性中的文本内容。	#text	节点内容	3
CDATASection	CDATA_SECTION_NODE	表示文档中的 CDATA 区段（文本不会被解析器解析）	#cdata-section	节点内容	4
EntityReference	ENTITY_REFERENCE_NODE	实体引用元素。	实体引用名称	null	5
Entity	ENTITY_NODE	实体。	实体名称	null	6
ProcessingInstruction	PROCESSING_INSTRUCTION_NODE	表示处理指令。	target	节点的内容	7
Comment	COMMENT_NODE	注释。	#comment	注释文本	8
Document	DOCUMENT_NODE	表示整个文档（DOM 树的根节点）	#document	null	9
DocumentType	DOCUMENT_TYPE_NODE	向为文档定义的实体提供接口。	doctype 名称	null	10
DocumentFragment	DOCUMENT_FRAGMENT_NODE	表示轻量级的 Document 对象，其中容纳了一部分文档。	#document fragment	null	11
Notation	NOTATION_NODE	表示在 DTD 中声明的符号。	符号名称	null	12

  

注意：

XML中所有的数据，包括属性attr，文本内容test，都是node，所以不要直接对标签对nodeValue，而是要获取到childNode[0]后，childNode[0].nodeValue

常用方法

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对象
# parse()可以传入文件名或文件对象
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. 获取根节点
root = dom1.documentElement

#1e.获取指定节点下,指定标签名的节点s,返回list
elements = root.getElementsByTagName("XXX")

#1f.获取子节点s,返回list

elements = root.childNodes

#1g.将节点及其子节点转换为xml(即str),可指定编码：toxml("utf-8")
root.toxml()

# 还有一系列对node增删改的方法，可以参看官方手册文档