在XML解析方面，Python貫徹了自己“開箱即用”（batteries included）的原則。在自帶的標(biāo)準(zhǔn)庫中，Python提供了大量可以用于處理XML語言的包和工具，數(shù)量之多，甚至讓Python編程新手無從選擇。

本文將介紹深入解讀利用Python語言解析XML文件的幾種方式，并以筆者推薦使用的ElementTree模塊為例，演示具體使用方法和場景。文中所使用的Python版本為2.7。

一、什么是XML?

XML是可擴(kuò)展標(biāo)記語言（Extensible Markup Language）的縮寫，其中的 標(biāo)記（markup）是關(guān)鍵部分。您可以創(chuàng)建內(nèi)容，然后使用限定標(biāo)記標(biāo)記它，從而使每個單詞、短語或塊成為可識別、可分類的信息。

標(biāo)記語言從早期的私有公司和政府制定形式逐漸演變成標(biāo)準(zhǔn)通用標(biāo)記語言（Standard Generalized Markup Language，SGML）、超文本標(biāo)記語言（Hypertext Markup Language，HTML），并且最終演變成 XML。XML有以下幾個特點(diǎn)。

• XML的設(shè)計宗旨是傳輸數(shù)據(jù)，而非顯示數(shù)據(jù)。
• XML標(biāo)簽沒有被預(yù)定義。您需要自行定義標(biāo)簽。
• XML被設(shè)計為具有自我描述性。
• XML是W3C的推薦標(biāo)準(zhǔn)。
  

目前，XML在Web中起到的作用不會亞于一直作為Web基石的HTML。 XML無所不在。XML是各種應(yīng)用程序之間進(jìn)行數(shù)據(jù)傳輸?shù)淖畛Ｓ玫墓ぞ撸⑶以谛畔⒋鎯兔枋鲱I(lǐng)域變得越來越流行。因此，學(xué)會如何解析XML文件，對于Web開發(fā)來說是十分重要的。

二、有哪些可以解析XML的Python包？

Python的標(biāo)準(zhǔn)庫中，提供了6種可以用于處理XML的包。

xml.dom

xml.dom實現(xiàn)的是W3C制定的DOM API。如果你習(xí)慣于使用DOM API或者有人要求這這樣做，可以使用這個包。不過要注意，在這個包中，還提供了幾個不同的模塊，各自的性能有所區(qū)別。

DOM解析器在任何處理開始之前，必須把基于XML文件生成的樹狀數(shù)據(jù)放在內(nèi)存，所以DOM解析器的內(nèi)存使用量完全根據(jù)輸入資料的大小。

xml.dom.minidom

xml.dom.minidom是DOM API的極簡化實現(xiàn)，比完整版的DOM要簡單的多，而且這個包也小的多。那些不熟悉DOM的朋友，應(yīng)該考慮使用xml.etree.ElementTree模塊。據(jù)lxml的作者評價，這個模塊使用起來并不方便，效率也不高，而且還容易出現(xiàn)問題。

xml.dom.pulldom

與其他模塊不同，xml.dom.pulldom模塊提供的是一個“pull解析器”，其背后的基本概念指的是從XML流中pull事件，然后進(jìn)行處理。雖然與SAX一樣采用事件驅(qū)動模型（event-driven processing model），但是不同的是，使用pull解析器時，使用者需要明確地從XML流中pull事件，并對這些事件遍歷處理，直到處理完成或者出現(xiàn)錯誤。

• pull解析（pull parsing）是近來興起的一種XML處理趨勢。此前諸如SAX和DOM這些流行的XML解析框架，都是push-based，也就是說對解析工作的控制權(quán)，掌握在解析器的手中。

xml.sax

xml.sax模塊實現(xiàn)的是SAX API，這個模塊犧牲了便捷性來換取速度和內(nèi)存占用。SAX是Simple API for XML的縮寫，它并不是由W3C官方所提出的標(biāo)準(zhǔn)。它是事件驅(qū)動的，并不需要一次性讀入整個文檔，而文檔的讀入過程也就是SAX的解析過程。所謂事件驅(qū)動，是指一種基于回調(diào)（callback）機(jī)制的程序運(yùn)行方法。

xml.parser.expat

xml.parser.expat提供了對C語言編寫的expat解析器的一個直接的、底層API接口。expat接口與SAX類似，也是基于事件回調(diào)機(jī)制，但是這個接口并不是標(biāo)準(zhǔn)化的，只適用于expat庫。

expat是一個面向流的解析器。您注冊的解析器回調(diào)（或handler）功能，然后開始搜索它的文檔。當(dāng)解析器識別該文件的指定的位置，它會調(diào)用該部分相應(yīng)的處理程序（如果您已經(jīng)注冊的一個）。該文件被輸送到解析器，會被分割成多個片斷，并分段裝到內(nèi)存中。因此expat可以解析那些巨大的文件。

xml.etree.ElementTree（以下簡稱ET）

xml.etree.ElementTree模塊提供了一個輕量級、Pythonic的API，同時還有一個高效的C語言實現(xiàn)，即xml.etree.cElementTree。與DOM相比，ET的速度更快，API使用更直接、方便。與SAX相比，ET.iterparse函數(shù)同樣提供了按需解析的功能，不會一次性在內(nèi)存中讀入整個文檔。ET的性能與SAX模塊大致相仿，但是它的API更加高層次，用戶使用起來更加便捷。

筆者建議， 在使用Python進(jìn)行XML解析時，首選使用ET模塊 ，除非你有其他特別的需求，可能需要另外的模塊來滿足。

• 解析XML的這幾種API并不是Python獨(dú)創(chuàng)的，Python也是通過借鑒其他語言或者直接從其他語言引入進(jìn)來的。例如expat就是一個用C語言開發(fā)的、用來解析XML文檔的開發(fā)庫。而SAX最初是由DavidMegginson采用java語言開發(fā)的，DOM可以以一種獨(dú)立于平臺和語言的方式訪問和修改一個文檔的內(nèi)容和結(jié)構(gòu)，可以應(yīng)用于任何編程語言。
  

下面，我們以ElementTree模塊為例，介紹在Python中如何解析lxml。

三、利用ElementTree解析XML

Python標(biāo)準(zhǔn)庫中，提供了ET的兩種實現(xiàn)。一個是純Python實現(xiàn)的xml.etree.ElementTree，另一個是速度更快的C語言實現(xiàn)xml.etree.cElementTree。請記住始終使用C語言實現(xiàn)，因為它的速度要快很多，而且內(nèi)存消耗也要少很多。如果你所使用的Python版本中沒有cElementTree所需的加速模塊，你可以這樣導(dǎo)入模塊：

            
try:
 import xml.etree.cElementTree as ET
except ImportError:
 import xml.etree.ElementTree as ET

          

如果某個API存在不同的實現(xiàn)，上面是常見的導(dǎo)入方式。當(dāng)然，很可能你直接導(dǎo)入第一個模塊時，并不會出現(xiàn)問題。請注意，自Python 3.3之后，就不用采用上面的導(dǎo)入方法，因為ElemenTree模塊會自動優(yōu)先使用C加速器，如果不存在C實現(xiàn)，則會使用Python實現(xiàn)。因此，使用Python 3.3+的朋友，只需要import xml.etree.ElementTree即可。

1、將XML文檔解析為樹（tree）

我們先從基礎(chǔ)講起。XML是一種結(jié)構(gòu)化、層級化的數(shù)據(jù)格式，最適合體現(xiàn)XML的數(shù)據(jù)結(jié)構(gòu)就是樹。ET提供了兩個對象：ElementTree將整個XML文檔轉(zhuǎn)化為樹，Element則代表著樹上的單個節(jié)點(diǎn)。對整個XML文檔的交互（讀取，寫入，查找需要的元素），一般是在ElementTree層面進(jìn)行的。對單個XML元素及其子元素，則是在Element層面進(jìn)行的。下面我們舉例介紹主要使用方法。

我們使用下面的XML文檔，作為演示數(shù)據(jù)：

            
              
                
  text,source
 
              
              
                
                  
   xml,sgml
  
                
              
              
              
            
          

接下來，我們加載這個文檔，并進(jìn)行解析：

            
>>> import xml.etree.ElementTree as ET
>>> tree = ET.ElementTree(file='doc1.xml')
          

然后，我們獲取根元素（root element）：

            
>>> tree.getroot()

            
          

正如之前所講的，根元素（root）是一個Element對象。我們看看根元素都有哪些屬性：

            
>>> root = tree.getroot()
>>> root.tag, root.attrib
('doc', {})
          

沒錯，根元素并沒有屬性。與其他Element對象一樣，根元素也具備遍歷其直接子元素的接口：

            
>>> for child_of_root in root:
... print child_of_root.tag, child_of_root.attrib
...
branch {'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}
branch {'name': 'invalid'}

          

我們還可以通過索引值來訪問特定的子元素：

            
>>> root[0].tag, root[0].text
('branch', '\n  text,source\n ')

          

2、查找需要的元素

從上面的示例中，可以明顯發(fā)現(xiàn)我們能夠通過簡單的遞歸方法（對每一個元素，遞歸式訪問其所有子元素）獲取樹中的所有元素。但是，由于這是十分常見的工作，ET提供了一些簡便的實現(xiàn)方法。

Element對象有一個iter方法，可以對某個元素對象之下所有的子元素進(jìn)行深度優(yōu)先遍歷（DFS）。ElementTree對象同樣也有這個方法。下面是查找XML文檔中所有元素的最簡單方法：

            
>>> for elem in tree.iter():
... print elem.tag, elem.attrib
...
doc {}
branch {'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}
sub-branch {'name': 'subrelease01'}
branch {'name': 'invalid'}

          

在此基礎(chǔ)上，我們可以對樹進(jìn)行任意遍歷――遍歷所有元素，查找出自己感興趣的屬性。但是ET可以讓這個工作更加簡便、快捷。iter方法可以接受tag名稱，然后遍歷所有具備所提供tag的元素：

            
>>> for elem in tree.iter(tag='branch'):
... print elem.tag, elem.attrib
...
branch {'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}
branch {'name': 'invalid'}

          

3、支持通過XPath查找元素

使用XPath查找感興趣的元素，更加方便。Element對象中有一些find方法可以接受Xpath路徑作為參數(shù)，find方法會返回第一個匹配的子元素，findall以列表的形式返回所有匹配的子元素, iterfind則返回一個所有匹配元素的迭代器（iterator）。ElementTree對象也具備這些方法，相應(yīng)地它的查找是從根節(jié)點(diǎn)開始的。

下面是一個使用XPath查找元素的示例：

            
>>> for elem in tree.iterfind('branch/sub-branch'):
... print elem.tag, elem.attrib
...
sub-branch {'name': 'subrelease01'}

          

上面的代碼返回了branch元素之下所有tag為sub-branch的元素。接下來查找所有具備某個name屬性的branch元素：

            
>>> for elem in tree.iterfind('branch[@name="release01"]'):
... print elem.tag, elem.attrib
...
branch {'hash': 'f200013e', 'name': 'release01'}

          

4、構(gòu)建XML文檔

利用ET，很容易就可以完成XML文檔構(gòu)建，并寫入保存為文件。ElementTree對象的write方法就可以實現(xiàn)這個需求。

一般來說，有兩種主要使用場景。一是你先讀取一個XML文檔，進(jìn)行修改，然后再將修改寫入文檔，二是從頭創(chuàng)建一個新XML文檔。

修改文檔的話，可以通過調(diào)整Element對象來實現(xiàn)。請看下面的例子：

            
>>> root = tree.getroot()
>>> del root[2]
>>> root[0].set('foo', 'bar')
>>> for subelem in root:
... print subelem.tag, subelem.attrib
...
branch {'foo': 'bar', 'hash': '1cdf045c', 'name': 'codingpy.com'}
branch {'hash': 'f200013e', 'name': 'release01'}

          

在上面的代碼中，我們刪除了root元素的第三個子元素，為第一個子元素增加了新屬性。這個樹可以重新寫入至文件中。最終的XML文檔應(yīng)該是下面這樣的：

            
>>> import sys
>>> tree.write(sys.stdout)

            
              
                
  text,source
 
              
              
                
                  
   xml,sgml
  
                
              
            
          

請注意，文檔中元素的屬性順序與原文檔不同。這是因為ET是以字典的形式保存屬性的，而字典是一個無序的數(shù)據(jù)結(jié)構(gòu)。當(dāng)然，XML也不關(guān)注屬性的順序。

從頭構(gòu)建一個完整的文檔也很容易。ET模塊提供了一個SubElement工廠函數(shù)，讓創(chuàng)建元素的過程變得很簡單：

            
>>> a = ET.Element('elem')
>>> c = ET.SubElement(a, 'child1')
>>> c.text = "some text"
>>> d = ET.SubElement(a, 'child2')
>>> b = ET.Element('elem_b')
>>> root = ET.Element('root')
>>> root.extend((a, b))
>>> tree = ET.ElementTree(root)
>>> tree.write(sys.stdout)

            
              
                
                  some text
                
                
              
              
            
          

5、利用iterparse解析XML流

XML文檔通常都會比較大，如何直接將文檔讀入內(nèi)存的話，那么進(jìn)行解析時就會出現(xiàn)問題。這也就是為什么不建議使用DOM，而是SAX API的理由之一。

我們上面談到，ET可以將XML文檔加載為保存在內(nèi)存里的樹（in-memory tree），然后再進(jìn)行處理。但是在解析大文件時，這應(yīng)該也會出現(xiàn)和DOM一樣的內(nèi)存消耗大的問題吧？沒錯，的確有這個問題。為了解決這個問題，ET提供了一個類似SAX的特殊工具――iterparse，可以循序地解析XML。

接下來，筆者為大家展示如何使用iterparse，并與標(biāo)準(zhǔn)的樹解析方式進(jìn)行對比。我們使用一個自動生成的XML文檔，下面是該文檔的開頭部分：

            
              
                
                  
                    
                      United States
                    
                                        
                      1
                    
                    
                      duteous nine eighteen 
                    
                    
                      Creditcard
                    
                    
                      
                        
[...]

                      
                    
                  
                
              
            
          

我們來統(tǒng)計一下文檔中出現(xiàn)了多少個文本值為Zimbabwe的location元素。下面是使用ET.parse的標(biāo)準(zhǔn)方法：

            
tree = ET.parse(sys.argv[2])

count = 0
for elem in tree.iter(tag='location'):
 if elem.text == 'Zimbabwe':
  count += 1

print count


          

上面的代碼會將全部元素載入內(nèi)存，逐一解析。當(dāng)解析一個約100MB的XML文檔時，運(yùn)行上面腳本的Python進(jìn)程的內(nèi)存使用峰值為約560MB，總運(yùn)行時間問2.9秒。

請注意，我們其實不需要講整個樹加載到內(nèi)存里。只要檢測出文本為相應(yīng)值得location元素即可。其他數(shù)據(jù)都可以廢棄。這時，我們就可以用上iterparse方法了：

            
count = 0
for event, elem in ET.iterparse(sys.argv[2]):
 if event == 'end':
  if elem.tag == 'location' and elem.text == 'Zimbabwe':
   count += 1
 elem.clear() # 將元素廢棄

print count


          

上面的for循環(huán)會遍歷iterparse事件，首先檢查事件是否為end，然后判斷元素的tag是否為location，以及其文本值是否符合目標(biāo)值。另外，調(diào)用elem.clear()非常關(guān)鍵：因為iterparse仍然會生成一個樹，只是循序生成的而已。廢棄掉不需要的元素，就相當(dāng)于廢棄了整個樹，釋放出系統(tǒng)分配的內(nèi)存。

當(dāng)利用上面這個腳本解析同一個文件時，內(nèi)存使用峰值只有7MB，運(yùn)行時間為2.5秒。速度提升的原因，是我們這里只在樹被構(gòu)建時，遍歷一次。而使用parse的標(biāo)準(zhǔn)方法是先完成整個樹的構(gòu)建后，才再次遍歷查找所需要的元素。

iterparse的性能與SAX相當(dāng)，但是其API卻更加有用：iterparse會循序地構(gòu)建樹；而利用SAX時，你還得自己完成樹的構(gòu)建工作。

領(lǐng)取干貨：零基礎(chǔ)入門學(xué)習(xí)python視頻教程

以上就是為大家分享的Python解析XML的幾種方式，希望對大家的學(xué)習(xí)有所幫助。