使用minidom来处理XML的示例Python 学习转载.docx

使用minidom来处理XML的示例Python 学习转载.docx

《使用minidom来处理XML的示例Python 学习转载.docx》由会员分享，可在线阅读，更多相关《使用minidom来处理XML的示例Python 学习转载.docx（13页珍藏版）》请在冰点文库上搜索。

使用minidom来处理XML的示例Python学习转载

一.XML的读取.

在 NewEdit 中有代码片段的功能，代码片段分为片段的分类和片段的内容。

在缺省情况下都是用XML格式保存的。

下面我讲述一下，如何使用minidom来读取和保存XML文件。

下面是片段分类的一个示例文件--catalog.xml

xmlversion="1.0"encoding="utf-8"?

>

   4

       Python

           测试

       Zope

分类是树状结构，显示出来可能为：

Python

   测试

Zope

先简单介绍一下XML的知识，如果你已经知道了可以跳过去。

1.XML文档的编码

此XML文档的编码为utf-8，因此你看到的“测试”其实是UTF-8编码。

在XML文档的处理中都是使用UTF-8编码进行的，因此，如果你不写明encoding的话，都是认为文件是UTF-8编码的。

在Python中，好象只支持几种编码，象我们常用的GB2312码就不支持，因此建议大家在处理XML时使用UTF-8编码。

2.XML文档的结构

XML文档有XML头信息和XML信息体。

头信息如：

xmlversion="1.0"encoding="utf-8"?

>

它表明了此XML文档所用的版本，编码方式。

有些复杂的还有一些文档类型的定义（DOCTYPE），用于定义此XML文档所用的DTD或Schema和一些实体的定义。

这里并没有用到，而且我也不是专家，就不再细说了。

XML信息体是由树状元素组成。

每个XML文档都有一个文档元素，也就是树的根元素，所有其它的元素和内容都包含在根元素中。

3.DOM

DOM是DocumentObjectModel的简称，它是以对象树来表示一个XML文档的方法，使用它的好处就是你可以非常灵活的在对象中进行遍历。

4.元素和结点

元素就是标记，它是成对出现的。

XML文档就是由元素组成的，但元素与元素之间可以有文本，元素的内容也是文本。

在minidom中有许多的结点，元素也属于结点的一种，它不是叶子结点，即它存在子结点；还存在一些叶子结点，如文本结点，它下面不再有子结点。

象catalog.xml中，文档元素是catalog，它下面有两种元素：

maxid和item。

maxid用来表示当前最大的item的id值。

每一个item都有一个id属性，id属性是唯一的，在NewEdit中用来生成每个分类所对应的代码片段的XML文档名，因此不能重复，而且它是一个递增的值。

item元素有一个caption子元素，用来表示此分类项的名称，它还可以包含item元素。

这样，就定义了一个树状XML结构，下面让我们看一看如果把它们读出来。

一、得到dom对象

>>>importxml.dom.minidom

>>>dom=xml.dom.minidom.parse（'d:

/catalog.xml'）

这样我们得到了一个dom对象，它的第一个元素应该是catalog。

二、得到文档元素对象

>>>root=dom.documentElement

这样我们得到了根元素（catalog）。

三、结点属性

每一个结点都有它的nodeName，nodeValue，nodeType属性。

nodeName为结点名字。

>>>root.nodeName

u'catalog'

nodeValue是结点的值，只对文本结点有效。

nodeType是结点的类型，现在有以下几种：

'ATTRIBUTE_NODE'

'CDATA_SECTION_NODE'

'COMMENT_NODE'

'DOCUMENT_FRAGMENT_NODE'

'DOCUMENT_NODE'

'DOCUMENT_TYPE_NODE'

'ELEMENT_NODE'

'ENTITY_NODE'

'ENTITY_REFERENCE_NODE'

'NOTATION_NODE'

'PROCESSING_INSTRUCTION_NODE'

'TEXT_NODE'

这些结点通过名字很好理解。

catalog是ELEMENT_NODE类型。

>>>root.nodeType

1

>>>root.ELEMENT_NODE

1

四、子元素、子结点的访问

访问子元素、子结点的方法很多，对于知道元素名字的子元素，可以使用getElementsByTagName方法，如读取maxid子元素：

>>>root.getElementsByTagName（'maxid'）

[

maxidat0xb6d0a8>]

这样返回一个列表，由于我们的例子中maxid只有一项，因此列表也只有一项。

如果想得到某个元素下的所有子结点（包括元素），可以使用childNodes属性：

>>>root.childNodes

[,

maxidat0xb6d0a8>,,

itemat0xb6d918>,,

itemat0xb6de40>,,

itemat0xb6dfa8>,]

可以看出所有两个标记间的内容都被视为文本结点。

象每行后面的回车，都被看到文本结点。

从上面的结果我们可以看出每个结点的类型，本例中有文本结点和元素结点；结点的名字（元素结点）；结点的值（文本结点）。

每个结点都是一个对象，不同的结点对象有不同的属性和方法，更详细的要参见文档。

由于本例比较简单，只涉及文本结点和元素结点。

getElementsByTagName可以搜索当前元素的所有子元素，包括所有层次的子元素。

childNodes只保存了当前元素的第一层子结点。

这样我们可以遍历childNodes来访问每一个结点，判断它的nodeType来得到不同的内容。

如，打印出所有元素的名字：

>>>fornodeinroot.childNodes:

   ifnode.nodeType==node.ELEMENT_NODE:

       printnode.nodeName

maxid

item

item

对于文本结点，想得到它的文本内容可以使用:

.data属性。

对于简单的元素，如：

Python，我们可以编写这样一个函数来得到它的内容（这里为Python）。

defgetTagText（root,tag）:

   node=root.getElementsByTagName（tag）[0]

   rc=""

   fornodeinnode.childNodes:

       ifnode.nodeTypein（node.TEXT_NODE,node.CDATA_SECTION_NODE）:

           rc=rc+node.data

   returnrc

这个函数只处理找到的第一个符合的子元素。

它会将符合的第一个子元素中的所有文本结点拼在一起。

当nodeType为文本类结点时，node.data为文本的内容。

如果我们考查一下元素caption，我们可能看到：

[]

说明caption元素只有一个文本结点。

如果一个元素有属性，那么可以使用getAttribute方法，如：

>>>itemlist=root.getElementsByTagName（'item'）

>>>item=itemlist[0]

>>>item.getAttribute（'id'）

u'1'

这样就得到了第一个item元素的属性值。

下面让我们简单地小结一下如何使用minidom来读取XML中的信息

1.导入xml.dom.minidom模块，生成dom对象

2.得到文档对象（根对象）

3.通过getElementsByTagName（）方法和childNodes属性（还有其它一些方法和属性）找到要处理的元素

4.取得元素下文本结点的内容

二.写入.

下面我来演示一下如何从无到有生成象catalog.xml一样的XML文件。

一、生成dom对象

>>>importxml.dom.minidom

>>>impl=xml.dom.minidom.getDOMImplementation（）

>>>dom=impl.createDocument（None,'catalog',None）

这样就生成了一个空的dom对象。

其中catalog为文档元素名，即根元素名。

二、显示生成的XML内容

每一个dom结点对象（包括dom对象本身）都有输出XML内容的方法，如：

toxml（）,toprettyxml（）

toxml（）输出紧凑格式的XML文本，如：

testtest

toprettyxml（）输出美化后的XML文本，如：

       test

       test

可以看出，它是将每个结点后面都加入了回车符，并且自动处理缩近。

但对于每一个元素，如果元素只有文本内容，则我希望元素的tag与文本是在一起的，如：

test

而不想是分开的格式，但minidom本身是不支持这样的处理。

关于如何实现形如：

   test

   test

这样的XML格式，后面我们再说。

三、生成各种结点对象

dom对象拥有各种生成结点的方法，下面列出文本结点，CDATA结点和元素结点的生成过程。

1.文本结点的生成

>>>text=dom.createTextNode（'test'）

test

要注意的是，在生成结点时，minidom并不对文本字符进行检查，象文本中如果出现了'<','&'之类的字符，应该转换为相应的实体符号'<','&'才可以，这里没有做这个处理。

2.CDATA结点的生成

>>>data=dom.createCDATASection（'aaaaaa\nbbbbbb'）

>>>data.toxml（）

'

[CDATA[aaaaaa\nbbbbbb]]>'

CDATA是用于包括大块文本，同时可以不用转换'<','&'字符的标记，它是用

[CDATA[文本]]>来包括的。

但文本中不可以有"]]>"这样的串存在。

生成结点时minidom不作这些检查，只有当你输出时才有可能发现有错。

3.元素结点的生成

>>>item=dom.createElement（'caption'）

>>>item.toxml（）

''

对于象元素这样的结点，生成的元素结点其实是一个空元素，即不包含任何文本，如果要包含文本或其它的元素，我们需要使用appendChild（）或insertBefore（）之类的方法将子结点加就到元素结点中。

如将上面生成的text结点加入到caption元素结点中：

>>>item.appendChild（text）

>>>item.toxml（）

'test'

使用元素对象的setAttribute（）方法可以向元素中加入属性，如：

>>>item.setAttribute（'id','idvalue'）

>>>item.toxml（）

'test'

四、生成dom对象树

我们有了dom对象，又知道了如何生成各种结点，包括叶子结点（不包含其它结点的结点，如文本结点）和非叶子结点（包含其它结点的结点，如元素结点）的生成，然后就需要利用结点对象本身的appendChild（）或insertBefore（）方法将各个结点根据在树中的位置连起来，串成一棵树。

最后要串到文档结点上，即根结点上。

如一个完整的示例为：

>>>importxml.dom.minidom

>>>impl=xml.dom.minidom.getDOMImplementation（）

>>>dom=impl.createDocument（None,'catalog',None）

>>>root=dom.documentElement

>>>item=dom.createElement（'item'）

>>>text=dom.createTextNode（'test'）

>>>item.appendChild（text）

>>>root.appendChild（item）

itemat0xb9cf80>

>>>printroot.toxml（）

test

五、简单生成元素结点的函数

下面是我写的一个小函数，用于简单的生成类似于：

test

或形如：

[CDATA[test]]>

的元素结点

1      defmakeEasyTag（dom,tagname,value,type='text'）:

2          tag=dom.createElement（tagname）

3          ifvalue.find（']]>'）>-1:

4              type='text'

5          iftype=='text':

6              value=value.replace（'&','&'）

7              value=value.replace（'<','<'）

8              text=dom.createTextNode（value）

9          eliftype=='cdata':

10             text=dom.createCDATASection（value）

11         tag.appendChild（text）

12         returntag

参数说明：

∙dom为dom对象

∙tagname为要生成元素的名字，如'item'

∙value为其文本内容，可以为多行

∙type为文本结点的格式，'text'为一般Text结点，'cdata'为CDATA结点

函数处理说明：

∙首先创建元素结点

∙查找文本内容是否有']]>'，如果找到，则此文本结点只可以是Text结点

∙如果结点类型为'text'，则对文本内容中的'<'替换为'<'，'&'替换为'&'，再生成文本结点

∙如果结点类型为'cdata'，则生成CDATA结点

∙将生成的文本结点追加到元素结点上

因此这个小函数可以自动地处理字符转化及避免CDATA结点中出现']]>'串。

上面生成'item'结点的语句可以改为：

>>>item=makeEasyTag（dom,'item','test'）

>>>item.toxml（）

'test'

六、写入到XML文件中

dom对象树已经生成好了，我们可以调用dom的writexml（）方法来将内容写入文件中。

writexml（）方法语法格式为：

writexml（writer,indent,addindent,newl,encoding）

∙writer是文件对象

∙indent是每个tag前填充的字符，如：

' '，则表示每个tag前有两个空格

∙addindent是每个子结点的缩近字符

∙newl是每个tag后填充的字符，如：

'\n'，则表示每个tag后面有一个回车

∙encoding是生成的XML信息头中的encoding属性值，在输出时minidom并不真正进行编码的处理，如果你保存的文本内容中有汉字，则需要自已进行编码转换。

writexml方法是除了writer参数必须要有外，其余可以省略。

下面给出一个文本内容有汉字的示例：

1      >>>importxml.dom.minidom

2      >>>impl=xml.dom.minidom.getDOMImplementation（）

3      >>>dom=impl.createDocument（None,'catalog',None）

4      >>>root=dom.documentElement

5      >>>text=unicode（'汉字示例','cp936'）

6      >>>item=makeEasyTag（dom,'item',text）

7      >>>root.appendChild（item）

8      

itemat0xb9ceb8>

9      >>>root.toxml（）

10     u'\u6c49\u5b57\u793a\u4f8b'

11     >>>f=file（'d:

/test.xml','w'）

12     >>>importcodecs

13     >>>writer=codecs.lookup（'utf-8'）[3]（f）

14     >>>dom.writexml（writer,encoding='utf-8'）

15     >>>writer.close（）

5行因为XML处理时内部使用Unicode编码，因此象汉字首先要转成Unicode，如果你不做这一步minicode并不检查，并且保存时可能不会出错。

但读取时可能会出错。

12-13行生成UTF-8编码的写入流对象，这样在保存时会自动将Unicode转换成UTF-8编码。

这样写XML文件就完成了。

三.美化.

对于dom对象的writexml（）方法，虽然可以控制一些格式上的输出，但结果并不让人满意。

比如我想实现：

   test

   test

而不是：

       test

       test

如果是象下面的输出结果我无法区分原来文本中是否带有空白，而上一种结果则不存在这一问题。

好在我在wxPython自带的XML资源编辑器（xred）发现了美化的代码。

代码如下：

1      defIndent（dom,node,indent=0）:

2          #Copychildlistbecauseitwillchangesoon

3          children=node.childNodes[:

]

4          #Mainnodedoesn'tneedtobeindented

5          ifindent:

6              text=dom.createTextNode（'\n'+'\t'*indent）

7              node.parentNode.insertBefore（text,node）

8          ifchildren:

9              #Appendnewlineafterlastchild,exceptfortextnodes

10             ifchildren[-1].nodeType==node.ELEMENT_NODE:

11                 text=dom.createTextNode（'\n'+'\t'*indent）

12                 node.appendChild（text）

13             #Indentchildrenwhichareelements

14             forninchildren:

15                 ifn.nodeType==node.ELEMENT_NODE:

16                     Indent（dom,n,indent+1）

参数说明：

dom为dom对象

node为要处理的元素结点

indent指明缩近的层数

函数说明：

Indent是一个递归函数，当一个结点有子元素时进行递归处理。

主要是解决子元素的换行和缩近的处理。

这里缩近是写死的，每一级缩近使用一个制表符。

如果你愿意可以改为你想要的内容。

就是把函数中的'\t'换替一下。

或干脆写成一个全局变量，或参数以后改起来可能要容易的多。

不过在 NewEdit 中，这样的处理足够了，就没有做这些工作。

Indent基本的想法