这两天因为要处理XML,研究了一下lxml库,做个总结。

我在处理XML时,最想了解的三个问题是:

  • 问题1:有一个XML文件,如何解析
  • 问题2:解析后,如果查找、定位某个标签
  • 问题3:定位后如何操作标签,比如访问属性、文本内容等

本文就是按这三个问题组织的,文本中代码都在Python 3.5中运行通过。

开始之前,首先是导入模块,该库常用的XML处理功能都在lxml.etree中,可用下面的语句导入:

>>> from lxml import etree

Element类

这一节回答问题3。

Element是XML处理的核心类,Element对象可以直观的理解为XML的节点,大部分XML节点的处理都是围绕该类进行的。这部分包括三个内容:节点的操作、节点属性的操作、节点内文本的操作。

节点操作

1、创建Element对象

直接使用Element方法,参数即节点名称。

>>> root = etree.Element('root')
>>> print(root)
<Element root at 0x2da0708>

2、获取节点名称

使用tag属性,获取节点的名称。

>>> print(root.tag)
root

3、输出XML内容

使用tostring方法输出XML内容(后文还会有补充介绍),参数为Element对象。

>>> print(etree.tostring(root))
b'<root><child1/><child2/><child3/></root>'

4、添加子节点

使用SubElement方法创建子节点,第一个参数为父节点(Element对象),第二个参数为子节点名称。

>>> child1 = etree.SubElement(root, 'child1')
>>> child2 = etree.SubElement(root, 'child2')
>>> child3 = etree.SubElement(root, 'child3')

5、删除子节点

使用remove方法删除指定节点,参数为Element对象。clear方法清空所有节点。

>>> root.remove(child1)  # 删除指定子节点
>>> print(etree.tostring(root))
b'<root><child2/><child3/></root>'
>>> root.clear()  # 清除所有子节点
>>> print(etree.tostring(root))
b'<root/>'

6、以列表的方式操作子节点

可以将Element对象的子节点视为列表进行各种操作:

>>> child = root[0]  # 下标访问
>>> print(child.tag)
child1

>>> print(len(root))  # 子节点数量
3

>>> root.index(child2)  # 获取索引号
1

>>> for child in root:  # 遍历
...     print(child.tag)
child1
child2
child3

>>> root.insert(0, etree.Element('child0'))  # 插入
>>> start = root[:1]  # 切片
>>> end = root[-1:]

>>> print(start[0].tag)
child0
>>> print(end[0].tag)
child3

>>> root.append( etree.Element('child4') )  # 尾部添加
>>> print(etree.tostring(root))
b'<root><child0/><child1/><child2/><child3/><child4/></root>'

其实前面讲到的删除子节点的两个方法removeclear也和列表相似。

7、获取父节点

使用getparent方法可以获取父节点。

>>> print(child1.getparent().tag)
root

属性操作

属性是以key-value的方式存储的,就像字典一样。

1、创建属性

可以在创建Element对象时同步创建属性,第二个参数即为属性名和属性值:

>>> root = etree.Element('root', interesting='totally')
>>> print(etree.tostring(root))
b'<root interesting="totally"/>'

也可以使用set方法给已有的Element对象添加属性,两个参数分别为属性名和属性值:

>>> root.set('hello', 'Huhu')
>>> print(etree.tostring(root))
b'<root interesting="totally" hello="Huhu"/>'

2、获取属性

属性是以key-value的方式存储的,就像字典一样。直接看例子

# get方法获得某一个属性值
>>> print(root.get('interesting'))
totally

# keys方法获取所有的属性名
>>> sorted(root.keys())
['hello', 'interesting']

# items方法获取所有的键值对
>>> for name, value in sorted(root.items()):
...     print('%s = %r' % (name, value))
hello = 'Huhu'
interesting = 'totally'

也可以用attrib属性一次拿到所有的属性及属性值存于字典中:

>>> attributes = root.attrib
>>> print(attributes)
{'interesting': 'totally', 'hello': 'Huhu'}

>>> attributes['good'] = 'Bye'  # 字典的修改影响节点
>>> print(root.get('good'))
Bye

文本操作

标签及标签的属性操作介绍完了,最后就剩下标签内的文本了。可以使用texttail属性、或XPath的方式来访问文本内容。

1、texttail属性

一般情况,可以用Elementtext属性访问标签的文本。

>>> root = etree.Element('root')
>>> root.text = 'Hello, World!'
>>> print(root.text)
Hello, World!
>>> print(etree.tostring(root))
b'<root>Hello, World!</root>'

XML的标签一般是成对出现的,有开有关,但像HTML则可能出现单一的标签,比如下面这段代码中的<br/>

<html><body>Text<br/>Tail</body></html>

Element类提供了tail属性支持单一标签的文本获取。

>>> html = etree.Element('html')
>>> body = etree.SubElement(html, 'body')
>>> body.text = 'Text'
>>> print(etree.tostring(html))
b'<html><body>Text</body></html>'

>>> br = etree.SubElement(body, 'br')
>>> print(etree.tostring(html))
b'<html><body>Text<br/></body></html>'

# tail仅在该标签后面追加文本
>>> br.tail = 'Tail'
>>> print(etree.tostring(br))
b'<br/>Tail'

>>> print(etree.tostring(html))
b'<html><body>Text<br/>Tail</body></html>'

# tostring方法增加method参数,过滤单一标签,输出全部文本
>>> print(etree.tostring(html, method='text'))
b'TextTail'

2、XPath方式

# 方式一:过滤单一标签,返回文本
>>> print(html.xpath('string()'))
TextTail

# 方式二:返回列表,以单一标签为分隔
>>> print(html.xpath('//text()'))
['Text', 'Tail']

方法二获得的列表,每个元素都会带上它所属节点及文本类型信息,如下:

>>> texts = html.xpath('//text()'))

>>> print(texts[0])
Text
# 所属节点
>>> parent = texts[0].getparent()  
>>> print(parent.tag)
body

>>> print(texts[1], texts[1].getparent().tag)
Tail br

# 文本类型:是普通文本还是tail文本
>>> print(texts[0].is_text)
True
>>> print(texts[1].is_text)
False
>>> print(texts[1].is_tail)
True

文件解析与输出

这一节回答问题1。

这部分讲述如何将XML文件解析为Element对象,以及如何将Element对象输出为XML文件。

1、文件解析

文件解析常用的有fromstringXMLHTML三个方法。接受的参数都是字符串。

>>> xml_data = '<root>data</root>'

# fromstring方法
>>> root1 = etree.fromstring(xml_data)
>>> print(root1.tag)
root
>>> print(etree.tostring(root1))
b'<root>data</root>'

# XML方法,与fromstring方法基本一样
>>> root2 = etree.XML(xml_data)
>>> print(root2.tag)
root
>>> print(etree.tostring(root2))
b'<root>data</root>'

# HTML方法,如果没有<html>和<body>标签,会自动补上
>>> root3 = etree.HTML(xml_data)
>>> print(root3.tag)
html
>>> print(etree.tostring(root3))
b'<html><body><root>data</root></body></html>'

2、输出

输出其实就是前面一直在用的tostring方法了,这里补充xml_declarationencoding两个参数,前者是XML声明,后者是指定编码。

>>> root = etree.XML('<root><a><b/></a></root>')

>>> print(etree.tostring(root))
b'<root><a><b/></a></root>'

# XML声明
>>> print(etree.tostring(root, xml_declaration=True))
b"<?xml version='1.0' encoding='ASCII'?>\n<root><a><b/></a></root>"

# 指定编码
>>> print(etree.tostring(root, encoding='iso-8859-1'))
b"<?xml version='1.0' encoding='iso-8859-1'?>\n<root><a><b/></a></root>"

ElementPath

这一节回答问题2。

ElementPath前,需要引入ElementTree类,一个ElementTree对象可理解为一个完整的XML树,每个节点都是一个Element对象。而ElementPath则相当于XML中的XPath。用于搜索和定位Element元素。

这里介绍两个常用方法,可以满足大部分搜索、查询需求,它们的参数都是XPath语句:

  • findall():返回所有匹配的元素,返回列表
  • find():返回匹配到的第一个元素
>>> root = etree.XML("<root><a x='123'>aText<b/><c/><b/></a></root>")

# 查找第一个b标签
>>> print(root.find('b'))
None
>>> print(root.find('a').tag)
a

# 查找所有b标签,返回Element对象组成的列表
>>> [ b.tag for b in root.findall('.//b') ]
['b', 'b']

# 根据属性查询
>>> print(root.findall('.//a[@x]')[0].tag)
a
>>> print(root.findall('.//a[@y]'))
[]

参考:

  1. lxml官方文档:http://lxml.de/tutorial.html
  2. XPath语法:http://www.w3school.com.cn/xpath/xpath_syntax.asp

分类: 折腾 标签: none

🔔 Email RSS订阅本博客

添加新评论