113 lines
3.9 KiB
ReStructuredText
113 lines
3.9 KiB
ReStructuredText
============================
|
||
6.7 利用命名空间解析XML文档
|
||
============================
|
||
|
||
----------
|
||
问题
|
||
----------
|
||
你想解析某个XML文档，文档中使用了XML命名空间。
|
||
|
||
----------
|
||
解决方案
|
||
----------
|
||
考虑下面这个使用了命名空间的文档：
|
||
|
||
.. code-block:: xml
|
||
|
||
<?xml version="1.0" encoding="utf-8"?>
|
||
<top>
|
||
<author>David Beazley</author>
|
||
<content>
|
||
<html xmlns="http://www.w3.org/1999/xhtml">
|
||
<head>
|
||
<title>Hello World</title>
|
||
</head>
|
||
<body>
|
||
<h1>Hello World!</h1>
|
||
</body>
|
||
</html>
|
||
</content>
|
||
</top>
|
||
|
||
如果你解析这个文档并执行普通的查询，你会发现这个并不是那么容易，因为所有步骤都变得相当的繁琐。
|
||
|
||
.. code-block:: python
|
||
|
||
>>> # 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'
|
||
>>>
|
||
|
||
你可以通过将命名空间处理逻辑包装为一个工具类来简化这个过程：
|
||
|
||
.. code-block:: python
|
||
|
||
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)
|
||
|
||
通过下面的方式使用这个类：
|
||
|
||
.. code-block:: python
|
||
|
||
>>> 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'
|
||
>>>
|
||
|
||
----------
|
||
讨论
|
||
----------
|
||
解析含有命名空间的XML文档会比较繁琐。
|
||
上面的 ``XMLNamespaces`` 仅仅是允许你使用缩略名代替完整的URI将其变得稍微简洁一点。
|
||
|
||
很不幸的是，在基本的 ``ElementTree`` 解析中没有任何途径获取命名空间的信息。
|
||
但是，如果你使用 ``iterparse()`` 函数的话就可以获取更多关于命名空间处理范围的信息。例如：
|
||
|
||
.. code-block:: python
|
||
|
||
>>> 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>
|
||
>>>
|
||
|
||
最后一点，如果你要处理的XML文本除了要使用到其他高级XML特性外，还要使用到命名空间，
|
||
建议你最好是使用 ``lxml`` 函数库来代替 ``ElementTree`` 。
|
||
例如，``lxml`` 对利用DTD验证文档、更好的XPath支持和一些其他高级XML特性等都提供了更好的支持。
|
||
这一小节其实只是教你如何让XML解析稍微简单一点。
|
||
|