一、python处理XML
XML 指可扩展标记语言（eXtensible Markup Language）。XML 被设计用来传输和存储数据。XML是一套定义语义标记的规则，这些标记将文档分成许多部件并对这些部件加以标识。它也是元标记语言，即定义了用于定义其他与特定领域有关的、语义的、结构化的标记语言的句法语言。
Python对XML的解析:常见的XML编程接口有DOM和SAX，这两种接口处理XML文件的方式不同，当然使用场合也不同。
1.SAX (simple API for XML )
python 标准库包含SAX解析器，SAX用事件驱动模型，通过在解析XML的过程中触发一个个的事件并调用用户定义的回调函数来处理XML文件。
2.DOM(Document Object Model)
将XML数据在内存中解析成一个树，通过对树的操作来操作XML。
注：因DOM需要将XML数据映射到内存中的树，一是比较慢，二是比较耗内存，而SAX流式读取XML文件，比较快，占用内存少，但需要用户实现回调函数（handler）。
例：
cat book.xml
|
1
2
3
4
5
6
7
8
9
10
11
|
<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
<book>
<title lang="eng">Harry Potter</title>
<price>29.99</price>
</book>
<book>
<title lang="eng">Learning XML</title>
<price>39.95</price>
</book>
</bookstore>
|
使用python处理的相关代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import string
from xml.parsers.expat import ParserCreate
class DefaultSaxHandler(object):
def start_element(self,name,attrs):
self.name=name
#print('element:%s, attrs:%s' % (name,str(attrs)))
print("<"+name+">")
def end_element(self,name):
#print('end element:%s' % name)
print("</"+name+">")
def char_data(self,text):
if text.strip():
print("%s's text is %s" % (self.name,text))
handler = DefaultSaxHandler()
parser = ParserCreate()
parser.StartElementHandler=handler.start_element
parser.EndElementHandler=handler.end_element
parser.CharacterDataHandler=handler.char_data
with open('book.xml') as f:
parser.Parse(f.read())
|
抓取全国各省邮编的实例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
import requests
from xml.parsers.expat import ParserCreate
class DefaultSaxHandler(object):
def __init__(self,provinces):
self.provinces=provinces
def start_element(self,name,attrs):
if name != 'map':
name = attrs['title']
number = attrs['href']
self.provinces.append((name,number))
def end_element(self,name):
pass
def char_data(self,text):
pass
def get_province_entry(url):
content=requests.get(url).content.decode('gb2312')
start=content.find('<map name="map_86" id="map_86">')
end=content.find('</map>')
content=content[start:end+len('</map>')].strip()
#print(content)
provinces = []
handler = DefaultSaxHandler(provinces)
parser = ParserCreate()
parser.StartElementHandler = handler.start_element
parser.EndElementHandler = handler.end_element
parser.CharacterDataHandler = handler.char_data
parser.Parse(content)
return provinces
provinces=get_province_entry('http://www.ip138.com/post')
print(provinces)
|
DOM的一个小例子：
|
1
2
3
4
5
6
7
8
9
|
from xml.dom import minidom
doc = minidom.parse('book.xml')
root = doc.documentElement
print(root.nodeName)
books = root.getElementsByTagName('book')
for book in books:
titles = book.getElementsByTagName('title')
prices = book.getElementsByTagName('price')
print(titles[0].childNodes[0].nodeValue + ":" + prices[0].childNodes[0].nodeValue)
|
二、HTMLParser
html.parser的核心是HTMLParser类。工作的流程是：当feed给它一个类似HTML格式的字符串时，它会调用goahead方法向前迭代各个标签，并调用对应的parse_xxxx方法提取start_tag, tag, data, comment 和end_tag 等标签信息和数据，然后调用对应的方法对这些抽取出来的内容进行处理
handle_startendtag #处理开始标签和结束标签
handle_starttag #处理开始标签，比如<xx>
handle_endtag #处理结束标签，比如</xx>或者<……/>
handle_charref #处理特殊字符串，就是以&#开头的，一般是内码表示的字符
handle_entityref #处理一些特殊字符，以&开头的，比如
handle_data #处理<xx>data</xx>中间的那些数据
handle_comment #处理注释
handle_decl #处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi #处理形如<?instruction>的
markupbase安装方法: 直接'pip install'无法安装成功，尝试命令'pip search markupbase'得到包名'micropython-markupbase’，然后直接在网页上下载这个包，下载后里面有一个'_markupbase.py'文件，将文件名前缀去掉后文件复制到python安装目录'\lib\site-packages'下。例：cp markupbase.py /usr/local/lib/python3.6/site-packages/
下例：处理指定的html文件
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
#coding=utf-8from HTMLParser import HTMLParser
class MyParser(HTMLParser):
"""一个简单的HTMLparser的例子"""
def handle_decl(self, decl):
"""处理头文档"""
HTMLParser.handle_decl(self, decl)
print(decl)
def handle_starttag(self, tag, attrs):
"""处理起始标签"""
HTMLParser.handle_starttag(self, tag, attrs)
if not HTMLParser.get_starttag_text(self).endswith("/>"):
print("<"+tag+">")
def handle_data(self, data):
"""处理文本元素"""
HTMLParser.handle_data(self, data)
print(data)
def handle_endtag(self, tag):
"""处理结束标签"""
HTMLParser.handle_endtag(self, tag)
if not HTMLParser.get_starttag_text(self).endswith("/>"):
print("</"+tag+">")
def handle_startendtag(self, tag, attrs):
"""处理自闭标签"""
HTMLParser.handle_startendtag(self, tag, attrs)
print(HTMLParser.get_starttag_text(self))
def handle_comment(self, data):
"""处理注释"""
HTMLParser.handle_comment(self, data)
print(data)
def close(self):
HTMLParser.close(self)
print("parser over")
demo=MyParser()
demo.feed(open("test.html").read())
demo.close() |