python-minidom模块【解析xml】

1，xml的文档结构

1.1，XML文档包括XML头信息和XML信息体

1.1.1，XML文档头信息

<?xml version="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。

1.1.2，XML文档信息体

<Table>
<Name>
tbl_test
</Name>
<Comment>
This ia a test table
</Comment>
<Schema format="Json">
        </Schema>
</Table>

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。
DOM是Document Object Model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。

2，minidom模块读取XML

按照我的理解，在获得XML文档树的根节点后，实际上分为两种节点【这里测试只用到这两种节点，实际按照nodeType知道还有其他很多】：元素节点（ELEMENT NODE）和文本节点（TEXT NODE）。元素节点如上面的Name标签，整个就是一个元素节点。文本节点如上面的tbl_test，也作为一个节点，即文本节点。

节点都具有这样三种属性;

node.nodeName	nodeName为结点名字
node.nodeValue	nodeValue是结点的值，只对文本结点有效
node.nodeType	nodeType是结点的类型

元素节点（ELEMENT NODE）可以用root.getElementsByTagName("Table")这样来获取以Table标签的一个列表。

文本节点（TEXT NODE）可以用column.getAttribute('Name')这样来获取Name的这样一个属性值。属性指的是: <Column Name="pt" Value="1"/>这样的结构。可以使用node.data或者node.nodeValue来获取文本值。

2.1，得到dom对象

从xml文件得到dom对象

>>> import xml.dom.minidom
>>> dom = xml.dom.minidom.parse('d:/catalog.xml')

从xml字符串得到dom对象

>>> import xml.dom.minidom
>>> dom = xml.dom.minidom.parseString(xmlstring)

2.2，得到文档元素对象

>>> root = dom.documentElement

3，测试

3.1，实验1

<?xml version="1.0" encoding="UTF-8"?>
<Table>
<Name>
tbl_test
</Name>
<Comment>
This ia a test table
</Comment>
<Schema format="Json">
        </Schema>
</Table>

dom = parseString(string1)
#root = dom.documentElement
table  =  dom.getElementsByTagName( "Table" )[0]
name  =  table.getElementsByTagName( "Name" )[0]
for textNode in name.childNodes:
   print textNode.data
   print textNode.nodeValue

1，dom获得的是整个xml对象

2，【未运行】root获得的整个文档对象，如果执行了，实际上得到的是根节点唯一的标签<Table></Table>下的东西，如果有多个<Table></Table>，估计会忽略，默认把第一个当成根。

3，root.getElementsByTagName( "Table" )将获得所有<Table></Table>标签对，这是一个类似于列表的东西，可以用列表方法获取。因为这里就一个<Table></Table>标签，所以直接[0]返回这个单独的对象。

4，table获得的是真正的单个的其中的<table></Table>对象。

5，table.getElementsByTagName( "Name" )同样获得的是一个[<Name></Name>,...,<Name></Name>]这样的列表。

6，name获得的是单个的现在仅有的<Name></Name>对象。

7，由于name下面是文本节点tbl_test。虽然只有一个，但可以有多个。此时，前述的都是元素节点，Name标签下都是文本节点了，可以用name.childNodes获得文本节点列表，注意，还是列表。

8，textNode是其中的唯一的一个tbl_test。

9，因为是文本节点，所有有data属性。当然其，node.nodeValue也可以读到。

3.2，实验2

<?xml version="1.0" encoding="UTF-8"?>
<Partitions>
<Partition>
<Column Name="pt" Value="1"/>
</Partition>
</Partitions>

dom = parseString(string2)
#root = dom.documentElement
partitions = dom.getElementsByTagName("Partitions")[0]
partition = partitions.getElementsByTagName("Partition")[0]
column = partition.getElementsByTagName("Column")[0]
print column.getAttribute('Name')

1，dom获得的是整个xml对象

2，【未运行】root获得的整个文档对象，如果执行了，实际上得到的是根节点唯一的标签<Table></Table>下的东西，如果有多个<Partitions></Partitions>，估计会忽略，默认把第一个当成根。

3，root.getElementsByTagName( "Partitions" )将获得所有<Partitions></Partitions>标签对，这是一个类似于列表的东西，可以用列表方法获取。因为这里就一个<Partitions></Partitions>标签，所以直接[0]返回这个单独的对象。

4，partitions获得的是真正的单个的其中的<Partitions></Partitions>对象。

5，partitions.getElementsByTagName( "Partition" )同样获得的是一个[<Partition></Partition>,...,<Partition></Partition>]这样的列表。

6，partition获得的是单个的现在仅有的<Partition></Partition>对象。

7，column以同样方式获取到单个的<Column></Column>对象

8，由于Name是Column的一个属性，所以用column.getAttribute('Name')来获取这个属性值

3.3，实验3

string1='''<?xml version="1.0" encoding="UTF-8"?>
           <Table>
                 <Name>
                    tbl_test
                 </Name>
                 <Comment>
                        <Name>
                            gexing
                        </Name>
                        This ia a test table
                 </Comment>
                 <Schema format="Json">
                 </Schema>
                 <Name>
                       dandan
                 </Name>
                 </Table>
       '''

dom = parseString(string1)
    root = dom.documentElement
    names = root.getElementsByTagName("Name")
    for name in names:
        for child in name.childNodes:
            print child.nodeValue

输出：

[admin@r42h06016.xy2.aliyun.com]$python test.py

                        tbl_test


                                gexing


                           dandan

注意点1，空行是因为实际上要的xml是无空格的内容。

注意点2，说明用getElementsByTagName得到的list是遍历所有“节点”，然后不管哪个层次，遇到一个符合的就会加进来。如果没有文本信息，就输出None。

3.4，简单函数

对于简单的元素，如：<caption>Python</caption>，我们可以编写这样一个函数来得到它的内容（这里为Python）。

def getTagText(root, tag):
    node = root.getElementsByTagName(tag)[0]
    rc = ""
    for node in node.childNodes:
    if node.nodeType in ( node.TEXT_NODE, node.CDATA_SECTION_NODE):
        rc = rc + node.data
    return rc

4，xml.etree.ElementTree模块读xml

import xml.etree.ElementTree
content = xml.etree.ElementTree.fromstring(string1)
name = content.findall('Name')#找到所有的Name的列表
name = content.findtext('Name')#找到下一层的Name节点

秒客网