Python解析XML的三种核心方法:DOM、ElementTree与SAX详解
本文深入解析Python中处理XML文件的三种主流方式:基于DOM树的xml.dom.minidom、轻量高效的ElementTree以及事件驱动的SAX。通过对比内存占用、执行速度及调试便利性,结合movie.xml实例代码,帮助开发者根据文件规模与需求选择最优解析方案,涵盖从基础遍历到高级回调函数的完整应用指南。
本文详细阐述了在Python环境中解析XML文件的几种主要实现路径,并通过具体代码示例进行了直观展示。这些方法涵盖了从底层API到高层封装的不同层次,旨在为开发者的日常编程或技术选型提供具有实际参考价值的指导。
Python XML解析的三种核心方法对比
Python内置了三种主要的XML处理模块:首先是xml.dom.*系列,它严格遵循W3C DOM API标准,适用于需要完整操作DOM树结构的场景;其次是xml.sax.*系列,它采用SAX API实现,以牺牲部分易用性为代价换取更高的运行速度和更低的内存占用。SAX基于事件驱动,允许在处理海量文档时流式读取,无需将整个文件加载至内存;最后是xml.etree.ElementTree(简称ET),它提供了一套轻量级且符合Python风格的API。相比DOM,ET的执行效率显著提升,且拥有丰富的便捷API。尽管ET的ET.iterparse方法也支持类似SAX的流式处理以避免全量加载,但其整体性能与SAX相当,同时在API易用性和开发效率上更具优势。
DOM解析器原理与应用
1、DOM(Document Object Model)
DOM解析器在读取XML文档时,会将整个文档一次性载入内存,并构建一棵包含所有元素的树状结构。解析完成后,开发者可以利用DOM提供的各类函数对内存中的文档内容进行读取、修改,甚至将变更后的内容重新写入XML文件。
在Python中,通常使用xml.dom.minidom模块来执行XML文件的解析操作。
本文示例所采用的XML文件名为movie.xml,其具体内容如下:
<collection shelf="New Arrivals">
<movie title="Enemy Behind">
<type>War, Thriller</type>
<format>DVD</format>
<year>2003</year>
<rating>PG</rating>
<stars>10</stars>
<description>Talk about a US-Japan war</description>
</movie>
<movie title="Transformers">
<type>Anime, Science Fiction</type>
<format>DVD</format>
<year>1989</year>
<rating>R</rating>
<stars>8</stars>
<description>A schientific fiction</description>
</movie>
<movie title="Trigun">
<type>Anime, Action</type>
<format>DVD</format>
<episodes>4</episodes>
<rating>PG</rating>
<stars>10</stars>
<description>Vash the Stampede!</description>
</movie>
<movie title="Ishtar">
<type>Comedy</type>
<format>VHS</format>
<rating>PG</rating>
<stars>2</stars>
<description>Viewable boredom</description>
</movie>
</collection>
基于Python的DOM解析实现代码如下:
# !/usr/bin/python
# -*- coding: UTF-8 -*-
from xml.dom.minidom import parse
import xml.dom.minidom
# 使用minidom解析器打开 XML 文档
DOMTree = xml.dom.minidom.parse("movie.xml")
#得到元素对象
collection = DOMTree.documentElement
if collection.hasAttribute("shelf"):
print("Root element : %s" % collection.getAttribute("shelf"))
#获取标签名
#print(collection.nodeName)
# 在集合中获取所有电影
movies = collection.getElementsByTagName("movie")
# 打印每部电影的详细信息
for movie in movies:
print("*****Movie*****")
if movie.hasAttribute("title"):
print("Title: %s" % movie.getAttribute("title"))
type = movie.getElementsByTagName('type')[0]
print("Type: %s" % type.childNodes[0].data)
format = movie.getElementsByTagName('format')[0]
print("Format: %s" % format.childNodes[0].data)
year=movie.getElementsByTagName("year")
if len(year)>0:
print("Year: %s" % year[0].firstChild.data)
#父节点 parentNode
#print(year[0].parentNode.nodeName)
rating = movie.getElementsByTagName('rating')[0]
print("Rating: %s" % rating.childNodes[0].data)
description = movie.getElementsByTagName('description')[0]
# 显示标签对之间的数据
print("Description: %s" % description.childNodes[0].data)
#print("Description: %s" % description.firstChild.data)
上述代码的执行输出结果如下:
Root element : New Arrivals
*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Year: 2003
Rating: PG
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Year: 1989
Rating: R
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Description: Viewable boredom
ElementTree与cElementTree的选择策略
2、ElementTree(元素树)
ElementTree可被视为一个轻量级的DOM实现,它拥有简洁友好的API接口。其特点在于代码可读性强、执行速度快且内存消耗极低。
在Python中解析XML时,开发者通常需要在ElementTree和cElementTree之间做出选择。这两者之间存在哪些具体差异?
首先,cElementTree在运行速度上优于ElementTree,这主要归因于cElementTree是由C语言编写的底层实现;
其次,在进行代码调试时,cElementTree无法直接查看解析后的字段内容,因此不适合用于需要深入调试的场景;相比之下,ElementTree允许直接查看解析内容,便于在调试过程中获取数据;
第三,当使用iter方法进行迭代以提取特定标签时,cElementTree不支持该函数,而ElementTree则具备此功能。当然,两者在其他函数支持上也可能存在差异;
基于上述特性,常规使用策略为:追求处理速度时优先选用cElementTree;在需要调试或查看解析细节时改用ElementTree;若遇到仅ElementTree支持的特定函数,则必须选择ElementTree。
try: import xml.etree.cElementTree as ET except: import xml.etree.ElementTree as ET
自Python 3.3版本起,ElementTree模块已具备自动寻找并加载可用C库以加速处理的功能。
import xml.etree.ElementTree as ET
import sys
import os.path
def traverseXml(element):
#print (len(element))
if len(element) > 0:
for child in element:
print("********Movie********")
print("Title:",child.get("title"))
for childchild in child:
print(childchild.tag,":",childchild.text)
#traverseXml(child)
#else:
# print (element.tag, "----", element.attrib)
def readXml(xmlFile):
try:
tree = ET.parse(xmlFile)
#print("tree type:", type(tree))
# 获得根节点
root = tree.getroot()
except Exception as e: # 捕获除与程序退出sys.exit()相关之外的所有异常
print("parse ***.xml fail!")
sys.exit()
#print("root type:", type(root))
#root.attrib访问root属性,root.tag标签
#print(root.tag, ":", root.attrib)
return root
if __name__ == "__main__":
xmlFilePath = os.path.abspath("movie.xml")
root=readXml(xmlFilePath)
# # 使用下标访问
# print(root[0][0].text)
# print(root[1][2].text)
#根据标签名查找root下的所有标签
# movies=root.findall("movie")
#遍历子标签
# print(len(movies))
# for movie in movies:
# type=movie.find("type")
# print(type.text)
# 遍历xml文件
traverseXml(root)
SAX事件驱动解析机制
3、SAX (simple API for XML )
Python标准库内置了SAX解析器。SAX采用事件驱动模型,在解析XML文件的过程中,通过触发一个个预定义的事件并调用用户自定义的回调函数来处理XML数据。
SAX是一种基于事件驱动的API机制。
利用SAX解析XML文档主要涉及两个核心部分:解析器和事件处理器。
解析器的职责是读取XML文档,并向事件处理器发送各类事件,例如元素开始和元素结束事件。
事件处理器则负责响应这些事件,并对传递过来的XML数据进行相应的处理。
- 1、适用于处理大型文件;
- 2、仅需获取文件中的部分内容,或只需提取特定信息时;
- 3、希望构建自定义对象模型时。
在Python中使用SAX方式处理XML文件,首先需要引入xml.sax模块中的parse函数,以及xml.sax.handler模块中的ContentHandler类。
ContentHandler类的主要方法介绍如下:
characters(content)方法
调用时机说明:
当从行开始到遇到标签之前存在字符时,content参数的值为这些字符串。
当从一个标签结束到下一个标签开始之间存在字符时,content参数的值为这些字符串。
当从一个标签开始到行结束符之间存在字符时,content参数的值为这些字符串。
上述标签既可以是开始标签,也可以是结束标签。
startDocument() 方法
该方法在文档解析启动时被调用。
endDocument() 方法
该方法在解析器到达文档末尾时被调用。
startElement(name, attrs)方法
当遇到XML开始标签时调用该方法,其中name参数为标签名称,attrs参数为包含标签属性值的字典。
endElement(name) 方法
当遇到XML结束标签时调用该方法。
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import xml.sax
class MovieHandler(xml.sax.ContentHandler):
def __init__(self):
self.CurrentData = ""
self.type = ""
self.format = ""
self.year = ""
self.rating = ""
self.stars = ""
self.description = ""
# 元素开始事件处理
def startElement(self, tag, attributes):
self.CurrentData = tag
if tag == "movie":
print("*****Movie*****")
title = attributes["title"]
print("Title:", title)
# 元素结束事件处理
def endElement(self, tag):
if self.CurrentData == "type":
print("Type:", self.type)
elif self.CurrentData == "format":
print("Format:", self.format)
elif self.CurrentData == "year":
print("Year:", self.year)
elif self.CurrentData == "rating":
print("Rating:", self.rating)
elif self.CurrentData == "stars":
print("Stars:", self.stars)
elif self.CurrentData == "description":
print("Description:", self.description)
self.CurrentData = ""
# 内容事件处理
def characters(self, content):
if self.CurrentData == "type":
self.type = content
elif self.CurrentData == "format":
self.format = content
elif self.CurrentData == "year":
self.year = content
elif self.CurrentData == "rating":
self.rating = content
elif self.CurrentData == "stars":
self.stars = content
elif self.CurrentData == "description":
self.description = content
if (__name__ == "__main__"):
# 创建一个 XMLReader
parser = xml.sax.make_parser()
# turn off namepsaces
parser.setFeature(xml.sax.handler.feature_namespaces, 0)
# 重写 ContextHandler
Handler = MovieHandler()
parser.setContentHandler(Handler)
parser.parse("movie.xml")
以上内容构成了本文的全部介绍,希望能为读者的学习和工作带来帮助,也欢迎大家继续支持本站获取更多技术资讯。
本站声明
本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。













