9.3. XML 解析

正如我说的,实际解析一个 XML 文档是非常简单的:只要一行代码。从这里出发到哪儿去就是你自己的事了。

例 9.8. 载入一个 XML 文档 (这次是真的)

>>> from xml.dom import minidom                                          1
>>> xmldoc = minidom.parse('~/diveintopython/common/py/kgp/binary.xml')  2
>>> xmldoc                                                               3
<xml.dom.minidom.Document instance at 010BE87C>
>>> print xmldoc.toxml()                                                 4
<?xml version="1.0" ?>
<grammar>
<ref id="bit">
  <p>0</p>
  <p>1</p>
</ref>
<ref id="byte">
  <p><xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\
<xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/></p>
</ref>
</grammar>
1 正如在上一节看到的,该语句从 xml.dom 包中导入 minidom 模块。
2 这就是进行所有工作的一行代码:minidom.parse 接收一个参数并返回 XML 文档解析后的表示形式。这个参数可以是很多东西;在本例中,它只是我本地磁盘上一个 XML 文档的文件名。(你需要将路径改为指向下载的例子所在的目录。) 但是你也可以传入一个文件对象,或甚至是一个类文件对象。这样你就可以在本章后面好好利用这一灵活性了。
3 minidom.parse 返回的对象是一个 Document 对象,它是 Node 类的一个子对象。这个 Document 对象是联锁的 Python 对象的一个复杂树状结构的根层次,这些 Python 对象完整表示了传给 minidom.parseXML 文档。
4 toxmlNode 类的一个方法 (因此可以在从 minidom.parse 中得到的 Document 对象上使用)。toxml 打印出了 Node 表示的 XML。对于 Document 节点,这样就会打印出整个 XML 文档。

现在内存中已经有了一个 XML 文档了,你可以开始遍历它了。

例 9.9. 获取子节点

>>> xmldoc.childNodes    1
[<DOM Element: grammar at 17538908>]
>>> xmldoc.childNodes[0] 2
<DOM Element: grammar at 17538908>
>>> xmldoc.firstChild    3
<DOM Element: grammar at 17538908>
1 每个 Node 都有一个 childNodes 属性,它是一个 Node 对象的列表。一个 Document 只有一个子节点,即 XML 文档的根元素 (在本例中,是 grammar 元素)。
2 为了得到第一个 (在本例中,只有一个) 子节点,只要使用正规的列表语法。回想一下,其实这里没有发生什么特别的;这只是一个由正规 Python 对象构成的正规 Python 列表。
3 鉴于获取某个节点的第一个子节点是有用而且常见的行为,所以 Node 类有一个 firstChild 属性,它和childNodes[0]具有相同的语义。(还有一个 lastChild 属性,它和childNodes[-1]具有相同的语义。)

例 9.10. toxml 用于任何节点

>>> grammarNode = xmldoc.firstChild
>>> print grammarNode.toxml() 1
<grammar>
<ref id="bit">
  <p>0</p>
  <p>1</p>
</ref>
<ref id="byte">
  <p><xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\
<xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/></p>
</ref>
</grammar>
1 由于 toxml 方法是定义在 Node 类中的,所以对任何 XML 节点都是可用的,不仅仅是 Document 元素。

例 9.11. 子节点可以是文本

>>> grammarNode.childNodes                  1
[<DOM Text node "\n">, <DOM Element: ref at 17533332>, \
<DOM Text node "\n">, <DOM Element: ref at 17549660>, <DOM Text node "\n">]
>>> print grammarNode.firstChild.toxml()    2



>>> print grammarNode.childNodes[1].toxml() 3
<ref id="bit">
  <p>0</p>
  <p>1</p>
</ref>
>>> print grammarNode.childNodes[3].toxml() 4
<ref id="byte">
  <p><xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\
<xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/></p>
</ref>
>>> print grammarNode.lastChild.toxml()     5


1 查看 binary.xml 中的 XML ,你可能会认为 grammar 只有两个子节点,即两个 ref 元素。但是你忘记了一些东西:硬回车!在'<grammar>'之后,第一个'<ref>'之前是一个硬回车,并且这个文本算作 grammar 元素的一个子节点。类似地,在每个'</ref>'之后都有一个硬回车;它们都被当作子节点。所以grammar.childNodes实际上是一个有5个对象的列表:3个 Text 对象和两个 Element 对象。
2 第一个子节点是一个 Text 对象,它表示在'<grammar>'标记之后、第一个'<ref>'标记之后的硬回车。
3 第二个子节点是一个 Element 对象,表示了第一个 ref 元素。
4 第四个子节点是一个 Element 对象,表示了第二个 ref 元素。
5 最后一个子节点是一个 Text 对象,表示了在'</ref>'结束标记之后、'</grammar>' 结束标记之前的硬回车。

例 9.12. 把文本挖出来

>>> grammarNode
<DOM Element: grammar at 19167148>
>>> refNode = grammarNode.childNodes[1] 1
>>> refNode
<DOM Element: ref at 17987740>
>>> refNode.childNodes                  2
[<DOM Text node "\n">, <DOM Text node "  ">, <DOM Element: p at 19315844>, \
<DOM Text node "\n">, <DOM Text node "  ">, \
<DOM Element: p at 19462036>, <DOM Text node "\n">]
>>> pNode = refNode.childNodes[2]
>>> pNode
<DOM Element: p at 19315844>
>>> print pNode.toxml()                 3
<p>0</p>
>>> pNode.firstChild                    4
<DOM Text node "0">
>>> pNode.firstChild.data               5
u'0'
1 正如你在前面的例子中看到的,第一个 ref 元素是 grammarNode.childNodes[1],因为 childNodes[0] 是一个代表硬回车的 Text 节点。
2 ref 元素有它自己的子节点集合,一个表示硬回车,另一个表示空格,一个表示 p 元素,诸如此类。
3 你甚至可以在这里使用 toxml 方法,尽管它深深嵌套在文档中。
4 p 元素只有一个子节点 (在这个例子中无法看出,但是如果你不信,可以看看pNode.childNodes),而且它是表示单字符'0'的一个 Text 节点。
5 Text 节点的 .data 属性可以向你提供文本节点真正代表的字符串。但是字符串前面的'u'是什么意思呢?答案将自己专门有一部分来论述。