python3-cookbook/source/c06/p03_parse_simple_xml_data.rst

============================
6.3 解析简单的XML数据
============================

----------
问题
----------
你想从一个简单的XML文档中提取数据。

----------
解决方案
----------
可以使用 ``xml.etree.ElementTree`` 模块从简单的XML文档中提取数据。
为了演示，假设你想解析Planet Python上的RSS源。下面是相应的代码：

.. code-block:: python

    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()

运行上面的代码，输出结果类似这样：

.. code-block:: python

    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/

很显然，如果你想做进一步的处理，你需要替换 ``print()`` 语句来完成其他有趣的事。

----------
讨论
----------
在很多应用程序中处理XML编码格式的数据是很常见的。
不仅因为XML在Internet上面已经被广泛应用于数据交换，
同时它也是一种存储应用程序数据的常用格式(比如字处理，音乐库等)。
接下来的讨论会先假定读者已经对XML基础比较熟悉了。

在很多情况下，当使用XML来仅仅存储数据的时候，对应的文档结构非常紧凑并且直观。
例如，上面例子中的RSS订阅源类似于下面的格式：

.. code-block:: python

    <?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()`` 函数解析整个XML文档并将其转换成一个文档对象。
然后，你就能使用 ``find()`` 、``iterfind()`` 和 ``findtext()`` 等方法来搜索特定的XML元素了。
这些函数的参数就是某个指定的标签名，例如 ``channel/item`` 或 ``title`` 。

每次指定某个标签时，你需要遍历整个文档结构。每次搜索操作会从一个起始元素开始进行。
同样，每次操作所指定的标签名也是起始元素的相对路径。
例如，执行 ``doc.iterfind('channel/item')`` 来搜索所有在 ``channel`` 元素下面的 ``item`` 元素。
``doc`` 代表文档的最顶层(也就是第一级的 ``rss`` 元素)。
然后接下来的调用 ``item.findtext()`` 会从已找到的 ``item`` 元素位置开始搜索。

``ElementTree`` 模块中的每个元素有一些重要的属性和方法，在解析的时候非常有用。
``tag`` 属性包含了标签的名字，``text`` 属性包含了内部的文本，而 ``get()`` 方法能获取属性值。例如：

.. code-block:: python

    >>> 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')
    >>>

有一点要强调的是 ``xml.etree.ElementTree`` 并不是XML解析的唯一方法。
对于更高级的应用程序，你需要考虑使用 ``lxml`` 。
它使用了和ElementTree同样的编程接口，因此上面的例子同样也适用于lxml。
你只需要将刚开始的import语句换成 ``from lxml.etree import parse`` 就行了。
``lxml`` 完全遵循XML标准，并且速度也非常快，同时还支持验证，XSLT，和XPath等特性。