|
|
概述#
这本书的大部分章节都是以样例代码为中心的。但是xml这章不是；它以数据为中心。最常见的xml应用为“聚合订阅(syndication feeds)”，它用来展示博客，论坛或者其他会经常更新的网站的最新内容。大多数的博客软件都会在新文章，新的讨论区，或者新博文发布的时候自动生成和更新feed。我们可以通过“订阅(subscribe)”feed来关注它们，还可以使用专门的“feed聚合工具(feed
aggregator)”，比如Google Reader。
以下的xml数据是我们这一章中要用到的。它是一个feed — 更确切地说是一个Atom聚合feed
跳过该代码清单
[隐藏] [在新窗口中打开] [download feed.xml]
<?xml version='1.0' encoding='utf-8'?>
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'>
<title>dive into mark</title>
<subtitle>currently between addictions</subtitle>
<id>tag:diveintomark.org,2001-07-29:/</id>
<updated>2009-03-27T21:56:07Z</updated>
<link rel='alternate' type='text/html' href='http://diveintomark.org/'/>
<link rel='self' type='application/atom+xml' href='http://diveintomark.org/feed/'/>
<entry>
<author>
<name>Mark</name>
<uri>http://diveintomark.org/</uri>
</author>
<title>Dive into history, 2009 edition</title>
<link rel='alternate' type='text/html'
href='http://diveintomark.org/archives/2009/03/27/dive-into-history-2009-edition'/>
<id>tag:diveintomark.org,2009-03-27:/archives/20090327172042</id>
<updated>2009-03-27T21:56:07Z</updated>
<published>2009-03-27T17:20:42Z</published>
<category scheme='http://diveintomark.org' term='diveintopython'/>
<category scheme='http://diveintomark.org' term='docbook'/>
<category scheme='http://diveintomark.org' term='html'/>
<summary type='html'>Putting an entire chapter on one page sounds
bloated, but consider this &mdash; my longest chapter so far
would be 75 printed pages, and it loads in under 5 seconds&hellip;
On dialup.</summary>
</entry>
<entry>
<author>
<name>Mark</name>
<uri>http://diveintomark.org/</uri>
</author>
<title>Accessibility is a harsh mistress</title>
<link rel='alternate' type='text/html'
href='http://diveintomark.org/archives/2009/03/21/accessibility-is-a-harsh-mistress'/>
<id>tag:diveintomark.org,2009-03-21:/archives/20090321200928</id>
<updated>2009-03-22T01:05:37Z</updated>
<published>2009-03-21T20:09:28Z</published>
<category scheme='http://diveintomark.org' term='accessibility'/>
<summary type='html'>The accessibility orthodoxy does not permit people to
question the value of features that are rarely useful and rarely used.</summary>
</entry>
<entry>
<author>
<name>Mark</name>
</author>
<title>A gentle introduction to video encoding, part 1: container formats</title>
<link rel='alternate' type='text/html'
href='http://diveintomark.org/archives/2008/12/18/give-part-1-container-formats'/>
<id>tag:diveintomark.org,2008-12-18:/archives/20081218155422</id>
<updated>2009-01-11T19:39:22Z</updated>
<published>2008-12-18T15:54:22Z</published>
<category scheme='http://diveintomark.org' term='asf'/>
<category scheme='http://diveintomark.org' term='avi'/>
<category scheme='http://diveintomark.org' term='encoding'/>
<category scheme='http://diveintomark.org' term='flv'/>
<category scheme='http://diveintomark.org' term='GIVE'/>
<category scheme='http://diveintomark.org' term='mp4'/>
<category scheme='http://diveintomark.org' term='ogg'/>
<category scheme='http://diveintomark.org' term='video'/>
<summary type='html'>These notes will eventually become part of a
tech talk on video encoding.</summary>
</entry>
</feed>
⁂
5分钟XML速成#
如果你已经了解xml，可以跳过这一部分。
xml是一种描述层次结构化数据的通用方法。xml文档包含由起始和结束标签(tag)分隔的一个或多个元素(element)。以下也是一个完整的(虽然空洞)xml文件：
<foo> ①
</foo> ②
①
这是foo元素的起始标签。
②
这是foo元素对应的结束标签。就如写作、数学或者代码中需要平衡括号一样，每一个起始标签必须有对应的结束标签来闭合（匹配）。
元素可以嵌套到任意层次。位于foo中的元素bar可以被称作其子元素。
<foo>
<bar></bar>
</foo>
xml文档中的第一个元素叫做根元素(root element)。并且每份xml文档只能有一个根元素。以下不是一个xml文档，因为它存在两个“根元素”。
<foo></foo>
<bar></bar>
元素可以有其属性(attribute)，它们是一些名字-值(name-value)对。属性由空格分隔列举在元素的起始标签中。一个元素中属性名不能重复。属性值必须用引号包围起来。单引号、双引号都是可以。
<foo lang='en'> ①
<bar id='papayawhip' lang="fr"></bar> ②
</foo>
①
foo元素有一个叫做lang的属性。lang的值为en
②
bar元素则有两个属性，分别为id和lang。其中lang属性的值为fr。它不会与foo的那个属性产生冲突。每个元素都其独立的属性集。
如果元素有多个属性，书写的顺序并不重要。元素的属性是一个无序的键-值对集，跟Python中的列表对象一样。另外，元素中属性的个数是没有限制的。
元素可以有其文本内容(text content)
<foo lang='en'>
<bar lang='fr'>PapayaWhip</bar>
</foo>
如果某一元素既没有文本内容，也没有子元素，它也叫做空元素。
<foo></foo>
表达空元素有一种简洁的方法。通过在起始标签的尾部添加/字符，我们可以省略结束标签。上一个例子中的xml文档可以写成这样：
<foo/>
就像Python函数可以在不同的模块(modules)中声明一样，也可以在不同的名字空间(namespace)中声明xml元素。xml文档的名字空间通常看起来像URL。我们可以通过声明xmlns来定义默认名字空间。名字空间声明跟元素属性看起来很相似，但是它们的作用是不一样的。
<feed xmlns='http://www.w3.org/2005/Atom'> ①
<title>dive into mark</title> ②
</feed>
①
feed元素处在名字空间http://www.w3.org/2005/Atom中。
②
title元素也是。名字空间声明不仅会作用于当前声明它的元素，还会影响到该元素的所有子元素。
也可以通过xmlns:prefix声明来定义一个名字空间并取其名为prefix。然后该名字空间中的每个元素都必须显式地使用这个前缀(prefix)来声明。
<atom:feed xmlns:atom='http://www.w3.org/2005/Atom'> ①
<atom:title>dive into mark</atom:title> ②
</atom:feed>
①
feed元素属于名字空间http://www.w3.org/2005/Atom。
②
title元素也在那个名字空间。
对于xml解析器而言，以上两个xml文档是一样的。名字空间 + 元素名 = xml标识。前缀只是用来引用名字空间的，所以对于解析器来说，这些前缀名(atom:)其实无关紧要的。名字空间相同，元素名相同，属性（或者没有属性）相同，每个元素的文本内容相同，则xml文档相同。
最后，在根元素之前，字符编码信息可以出现在xml文档的第一行。（这里存在一个两难的局面(catch-22)，直观上来说，解析xml文档需要这些编码信息，而这些信息又存在于xml文档中，如果你对xml如何解决此问题有兴趣，请参阅xml规范中
F 章节）
<?xml version='1.0' encoding='utf-8'?>
现在我们已经知道足够多的xml知识，可以开始探险了！
⁂
Atom Feed的结构#
想像一下网络上的博客，或者互联网上任何需要频繁更新的网站，比如CNN.com。该站点有一个标题(“CNN.com”)，一个子标题(“Breaking News, U.S., World,
Weather, Entertainment &Video News”)，包含上次更新的日期(“updated 12:43 p.m. EDT, Sat May
16, 2009”)，还有在不同时期发布的文章的列表。每一篇文章也有自己的标题，第一次发布的日期（如果曾经修订过或者改正过某个输入错误，或许也有一个上次更新的日期），并且每篇文章有自己唯一的URL。
Atom聚合格式被设计成可以包含所有这些信息的标准格式。我的博客无论在设计，主题还是读者上都与CNN.com大不相同，但是它们的基本结构是相同的。CNN.com能做的事情，我的博客也能做…
每一个Atom订阅都共享着一个根元素：即在名字空间http://www.w3.org/2005/Atom中的元素feed。
跳过该代码清单
[隐藏] [在新窗口中打开]<feed xmlns='http://www.w3.org/2005/Atom' ①
xml:lang='en'> ②
①
http://www.w3.org/2005/Atom表示名字空间Atom。
②
每一个元素都可以包含xml:lang属性，它用来声明该元素及其子元素使用的语言。在当前样例中，xml:lang在根元素中被声明了一次，也就意味着，整个feed都使用英文。
描述Atom feed自身的一些信息在根元素feed的子元素中被声明。
跳过该代码清单
[隐藏] [在新窗口中打开]<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'>
<title>dive into mark</title> ①
<subtitle>currently between addictions</subtitle> ②
<id>tag:diveintomark.org,2001-07-29:/</id> ③
<updated>2009-03-27T21:56:07Z</updated> ④
<link rel='alternate' type='text/html' href='http://diveintomark.org/'/> ⑤
①
该行表示这个feed的标题为dive into mark。
②
这一行表示子标题为currently between addictions。
③
每一个feed都要有一个全局唯一标识符(globally unique identifier)。想要知道如何创建它，请查阅RFC
4151。
④
表示当前feed上次更新的时间为March 27, 2009, at 21:56 GMT。通常来说，它与最近一篇文章最后一次被修改的时间是一样的。
⑤
事情开始变得有趣了…link元素没有文本内容，但是它有三个属性：rel，type和href。rel元素的值能告诉我们链接的类型；rel='alternate'表示这个链接指向当前feed的另外一个版本。type='text/html'表示链接的目标是一个html页面。然后目标地址在href属性中指出。
现在我们知道这个feed上一更新是在on March 27, 2009，它是为一个叫做“dive into mark”的站点准备的，并且站点的地址为http://diveintomark.org/。
☞在有一些xml文档中，元素的排列顺序是有意义的，但是Atom
feed中不需要这样做。
feed级的元数据后边就是最近文章的列表了。单独的一篇文章就像这样：
跳过该代码清单
[隐藏] [在新窗口中打开]<entry>
<author> ①
<name>Mark</name>
<uri>http://diveintomark.org/</uri>
</author>
<title>Dive into history, 2009 edition</title> ②
<link rel='alternate' type='text/html' ③
href='http://diveintomark.org/archives/2009/03/27/dive-into-history-2009-edition'/>
<id>tag:diveintomark.org,2009-03-27:/archives/20090327172042</id> ④
<updated>2009-03-27T21:56:07Z</updated> ⑤
<published>2009-03-27T17:20:42Z</published>
<category scheme='http://diveintomark.org' term='diveintopython'/> ⑥
<category scheme='http://diveintomark.org' term='docbook'/>
<category scheme='http://diveintomark.org' term='html'/>
<summary type='html'>Putting an entire chapter on one page sounds ⑦
bloated, but consider this &mdash; my longest chapter so far
would be 75 printed pages, and it loads in under 5 seconds&hellip;
On dialup.</summary>
</entry> ⑧
①
author元素指示文章的作者：一个叫做Mark的伙计，并且我们可以在http://diveintomark.org/找到他的事迹。（这就像是feed元素里的备用链接，但是没有规定一定要这样。许多网络日志由多个作者完成，他们都有自己的个人主页。）
②
title元素给出这篇文章的标题，即“Dive into history, 2009 edition”。
③
如feed元素中的备用链接一样，link元素给出这篇文章的html版本地址。
④
每个条目也像feed一样，需要一个唯一的标识。
⑤
每个条目有两个日期与其相关：第一次发布日期(published)和上次修改日期(updated)。
⑥
条目可以属于任意多个类别。这篇文章被归类到diveintopython，docbook，和html。
⑦
summary元素中有这篇文章的概要性描述。（还有一个元素这里没有展示出来，即content，我们可以把整篇文章的内容都放在里边。）当前样例中，summary元素含有一个Atom特有的type='html'属性，它用来告知这份概要为html格式，而非纯文本。这非常重要，因为概要内容中包含了html中特有的实体（—和…），它们不应该以纯文本直接显示，正确的形式应该为“—”和“…”。
⑧
最后就是entry元素的结束标记了，它指示文章元数据的结尾。
⁂
解析XML#
Python可以使用几种不同的方式解析xml文档。它包含了dom和sax解析器，但是我们焦点将放在另外一个叫做ElementTree的库上边。
跳过该代码清单
[隐藏] [在新窗口中打开] [download feed.xml]
>>> import xml.etree.ElementTree as etree ①
>>> tree = etree.parse('examples/feed.xml') ②
>>> root = tree.getroot() ③
>>> root ④
<Element {http://www.w3.org/2005/Atom}feed at cd1eb0>
①
ElementTree属于Python标准库的一部分，它的位置为xml.etree.ElementTree。
②
parse()函数是ElementTree库的主要入口，它使用文件名或者流对象作为参数。parse()函数会立即解析完整个文档。如果内存资源紧张，也可以增量式地解析xml文档
③
parse()函数会返回一个能代表整篇文档的对象。这不是根元素。要获得根元素的引用可以调用getroot()方法。
④
如预期的那样，根元素即http://www.w3.org/2005/Atom名字空间中的feed。该字符串表示再次重申了非常重要的一点：xml元素由名字空间和标签名（也称作本地名(local
name)）组成。这篇文档中的每个元素都在名字空间Atom中，所以根元素被表示为{http://www.w3.org/2005/Atom}feed。
☞ElementTree使用{namespace}localname来表达xml元素。我们将会在ElementTree的api中多次见到这种形式。
元素即列表#
在ElementTree API中，元素的行为就像列表一样。列表中的项即该元素的子元素。
跳过该代码清单
[隐藏] [在新窗口中打开]# continued from the previous example
>>> root.tag ①
'{http://www.w3.org/2005/Atom}feed'
>>> len(root) ②
8
>>> for child in root: ③
... print(child) ④
...
<Element {http://www.w3.org/2005/Atom}title at e2b5d0>
<Element {http://www.w3.org/2005/Atom}subtitle at e2b4e0>
<Element {http://www.w3.org/2005/Atom}id at e2b6c0>
<Element {http://www.w3.org/2005/Atom}updated at e2b6f0>
<Element {http://www.w3.org/2005/Atom}link at e2b4b0>
<Element {http://www.w3.org/2005/Atom}entry at e2b720>
<Element {http://www.w3.org/2005/Atom}entry at e2b510>
<Element {http://www.w3.org/2005/Atom}entry at e2b750>
①
紧接前一例子，根元素为{http://www.w3.org/2005/Atom}feed。
②
根元素的“长度”即子元素的个数。
③
我们可以像使用迭代器一样来遍历其子元素。
④
从输出可以看到，根元素总共有8个子元素：所有feed级的元数据（title，subtitle，id，updated和link），还有紧接着的三个entry元素。
也许你已经注意到了，但我还是想要指出来：该列表只包含直接子元素。每一个entry元素都有其子元素，但是并没有包括在这个列表中。这些子元素本可以包括在entry元素的列表中，但是确实不属于feed的子元素。但是，无论这些元素嵌套的层次有多深，总是有办法定位到它们的；在这章的后续部分我们会介绍两种方法。
属性即字典#
xml不只是元素的集合；每一个元素还有其属性集。一旦获取了某个元素的引用，我们可以像操作Python的字典一样轻松获取到其属性。
跳过该代码清单
[隐藏] [在新窗口中打开]# continuing from the previous example
>>> root.attrib ①
{'{http://www.w3.org/XML/1998/namespace}lang': 'en'}
>>> root[4] ②
<Element {http://www.w3.org/2005/Atom}link at e181b0>
>>> root[4].attrib ③
{'href': 'http://diveintomark.org/',
'type': 'text/html',
'rel': 'alternate'}
>>> root[3] ④
<Element {http://www.w3.org/2005/Atom}updated at e2b4e0>
>>> root[3].attrib ⑤
{}
①
attrib是一个代表元素属性的字典。这个地方原来的标记语言是这样描述的：<feed
xmlns='http://www.w3.org/2005/Atom' xml:lang='en'>。前缀xml:指示一个内置的名字空间，每一个xml不需要声明就可以使用它。
②
第五个子元素 — 以0为起始的列表中即[4] — 为元素link。
③
link元素有三个属性：href，type，和rel。
④
第四个子元素 — [3] — 为updated。
⑤
元素updated没有子元素，所以.attrib是一个空的字典对象。
⁂
在XML文档中查找结点#
到目前为止，我们已经“自顶向下“地从根元素开始，一直到其子元素，走完了整个文档。但是许多情况下我们需要找到xml中特定的元素。Etree也能完成这项工作。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> import xml.etree.ElementTree as etree
>>> tree = etree.parse('examples/feed.xml')
>>> root = tree.getroot()
>>> root.findall('{http://www.w3.org/2005/Atom}entry') ①
[<Element {http://www.w3.org/2005/Atom}entry at e2b4e0>,
<Element {http://www.w3.org/2005/Atom}entry at e2b510>,
<Element {http://www.w3.org/2005/Atom}entry at e2b540>]
>>> root.tag
'{http://www.w3.org/2005/Atom}feed'
>>> root.findall('{http://www.w3.org/2005/Atom}feed') ②
[]
>>> root.findall('{http://www.w3.org/2005/Atom}author') ③
[]
①
findfall()方法查找匹配特定格式的子元素。（关于查询的格式稍后会讲到。）
②
每个元素 — 包括根元素及其子元素 — 都有findall()方法。它会找到所有匹配的子元素。但是为什么没有看到任何结果呢？也许不太明显，这个查询只会搜索其子元素。由于根元素feed中不存在任何叫做feed的子元素，所以查询的结果为一个空的列表。
③
这个结果也许也在你的意料之外。在这篇文档中确实存在author元素；事实上总共有三个（每个entry元素中都有一个）。但是那些author元素不是根元素的直接子元素。我们可以在任意嵌套层次中查找author元素，但是查询的格式会有些不同。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> tree.findall('{http://www.w3.org/2005/Atom}entry') ①
[<Element {http://www.w3.org/2005/Atom}entry at e2b4e0>,
<Element {http://www.w3.org/2005/Atom}entry at e2b510>,
<Element {http://www.w3.org/2005/Atom}entry at e2b540>]
>>> tree.findall('{http://www.w3.org/2005/Atom}author') ②
[]
①
为了方便，对象tree（调用etree.parse()的返回值）中的一些方法是根元素中这些方法的镜像。在这里，如果调用tree.getroot().findall()，则返回值是一样的。
②
也许有些意外，这个查询请求也没有找到文档中的author元素。为什么没有呢？因为它只是tree.getroot().findall('{http://www.w3.org/2005/Atom}author')的一种简洁表示，即“查询所有是根元素的子元素的author”。因为这些author是entry元素的子元素，所以查询没有找到任何匹配的。
find()方法用来返回第一个匹配到的元素。当我们认为只会有一个匹配，或者有多个匹配但我们只关心第一个的时候，这个方法是很有用的。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> entries = tree.findall('{http://www.w3.org/2005/Atom}entry') ①
>>> len(entries)
3
>>> title_element = entries[0].find('{http://www.w3.org/2005/Atom}title') ②
>>> title_element.text
'Dive into history, 2009 edition'
>>> foo_element = entries[0].find('{http://www.w3.org/2005/Atom}foo') ③
>>> foo_element
>>> type(foo_element)
<class 'NoneType'>
①
在前一样例中已经看到。这一句返回所有的atom:entry元素。
②
find()方法使用ElementTree作为参数，返回第一个匹配到的元素。
③
在entries[0]中没有叫做foo的元素，所以返回值为None。
☞可逮住你了，在这里find()方法非常容易被误解。在布尔上下文中，如果ElementTree元素对象不包含子元素，其值则会被认为是False（即如果len(element)等于0）。这就意味着if
element.find('...')并非在测试是否find()方法找到了匹配项；这条语句是在测试匹配到的元素是否包含子元素！想要测试find()方法是否返回了一个元素，则需使用if
element.find('...') is not None。
也可以在所有派生(descendant)元素中搜索，即任意嵌套层次的子元素，孙子元素等…
跳过该代码清单
[隐藏] [在新窗口中打开]>>> all_links = tree.findall('//{http://www.w3.org/2005/Atom}link') ①
>>> all_links
[<Element {http://www.w3.org/2005/Atom}link at e181b0>,
<Element {http://www.w3.org/2005/Atom}link at e2b570>,
<Element {http://www.w3.org/2005/Atom}link at e2b480>,
<Element {http://www.w3.org/2005/Atom}link at e2b5a0>]
>>> all_links[0].attrib ②
{'href': 'http://diveintomark.org/',
'type': 'text/html',
'rel': 'alternate'}
>>> all_links[1].attrib ③
{'href': 'http://diveintomark.org/archives/2009/03/27/dive-into-history-2009-edition',
'type': 'text/html',
'rel': 'alternate'}
>>> all_links[2].attrib
{'href': 'http://diveintomark.org/archives/2009/03/21/accessibility-is-a-harsh-mistress',
'type': 'text/html',
'rel': 'alternate'}
>>> all_links[3].attrib
{'href': 'http://diveintomark.org/archives/2008/12/18/give-part-1-container-formats',
'type': 'text/html',
'rel': 'alternate'}
①
//{http://www.w3.org/2005/Atom}link与前一样例很相似，除了开头的两条斜线。这两条斜线告诉findall()方法“不要只在直接子元素中查找；查找的范围可以是任意嵌套层次”。
②
查询到的第一个结果是根元素的直接子元素。从它的属性中可以看出，它是一个指向该feed的html版本的备用链接。
③
其他的三个结果分别是低一级的备用链接。每一个entry都有单独一个link子元素，由于在查询语句前的两条斜线的作用，我们也能定位到他们。
总的来说，ElementTree的findall()方法是其一个非常强大的特性，但是它的查询语言却让人有些出乎意料。官方描述它为“有限的XPath支持。”XPath是一种用于查询xml文档的W3C标准。对于基础地查询来说，ElementTree与XPath语法上足够相似，但是如果已经会XPath的话，它们之间的差异可能会使你感到不快。现在，我们来看一看另外一个第三方xml库，它扩展了ElementTree的api以提供对XPath的全面支持。
⁂
深入lxml#
lxml是一个开源的第三方库，以流行的libxml2
解析器为基础开发。提供了与ElementTree完全兼容的api，并且扩展它以提供了对XPath 1.0的全面支持，以及改进了一些其他精巧的细节。提供Windows的安装程序；Linux用户推荐使用特定发行版自带的工具比如yum或者apt-get从它们的程序库中安装预编译好了的二进制文件。要不然，你就得手工安装他们了。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> from lxml import etree ①
>>> tree = etree.parse('examples/feed.xml') ②
>>> root = tree.getroot() ③
>>> root.findall('{http://www.w3.org/2005/Atom}entry') ④
[<Element {http://www.w3.org/2005/Atom}entry at e2b4e0>,
<Element {http://www.w3.org/2005/Atom}entry at e2b510>,
<Element {http://www.w3.org/2005/Atom}entry at e2b540>]
①
导入lxml以后，可以发现它与内置的ElementTree库提供相同的api。
②
parse()函数：与ElementTree相同。
③
getroot()方法：相同。
④
findall()方法：完全相同。
对于大型的xml文档，lxml明显比内置的ElementTree快了许多。如果现在只用到了ElementTree的api，并且想要使用其最快的实现(implementation)，我们可以尝试导入lxml，并且将内置的ElementTree作为备用。
try:
from lxml import etree
except ImportError:
import xml.etree.ElementTree as etree
但是lxml不只是一个更快速的ElementTree。它的findall()方法能够支持更加复杂的表达式。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> import lxml.etree ①
>>> tree = lxml.etree.parse('examples/feed.xml')
>>> tree.findall('//{http://www.w3.org/2005/Atom}*[@href]') ②
[<Element {http://www.w3.org/2005/Atom}link at eeb8a0>,
<Element {http://www.w3.org/2005/Atom}link at eeb990>,
<Element {http://www.w3.org/2005/Atom}link at eeb960>,
<Element {http://www.w3.org/2005/Atom}link at eeb9c0>]
>>> tree.findall("//{http://www.w3.org/2005/Atom}*[@href='http://diveintomark.org/']") ③
[<Element {http://www.w3.org/2005/Atom}link at eeb930>]
>>> NS = '{http://www.w3.org/2005/Atom}'
>>> tree.findall('//{NS}author[{NS}uri]'.format(NS=NS)) ④
[<Element {http://www.w3.org/2005/Atom}author at eeba80>,
<Element {http://www.w3.org/2005/Atom}author at eebba0>]
①
在这个样例中，我使用了import lxml.etree（而非from
lxml import etree），以强调这些特性只限于lxml。
②
这一句在整个文档范围内搜索名字空间Atom中具有href属性的所有元素。在查询语句开头的//表示“搜索的范围为整个文档（不只是根元素的子元素）。”{http://www.w3.org/2005/Atom}指示“搜索范围仅在名字空间Atom中。” * 表示“任意本地名(local
name)的元素。” [@href]表示“含有href属性。”
③
该查询找出所有包含href属性并且其值为http://diveintomark.org/的Atom元素。
④
在简单的字符串格式化后（要不然这条复合查询语句会变得特别长），它搜索名字空间Atom中包含uri元素作为子元素的author元素。该条语句只返回了第一个和第二个entry元素中的author元素。最后一个entry元素中的author只包含有name属性，没有uri。
仍然不够用？lxml也集成了对任意XPath 1.0表达式的支持。我们不会深入讲解XPath的语法；那可能需要一整本书！但是我会给你展示它是如何集成到lxml去的。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> import lxml.etree
>>> tree = lxml.etree.parse('examples/feed.xml')
>>> NSMAP = {'atom': 'http://www.w3.org/2005/Atom'} ①
>>> entries = tree.xpath("//atom:category[@term='accessibility']/..", ②
... namespaces=NSMAP)
>>> entries ③
[<Element {http://www.w3.org/2005/Atom}entry at e2b630>]
>>> entry = entries[0]
>>> entry.xpath('./atom:title/text()', namespaces=NSMAP) ④
['Accessibility is a harsh mistress']
①
要查询名字空间中的元素，首先需要定义一个名字空间前缀映射。它就是一个Python字典对象。
②
这就是一个XPath查询请求。这个XPath表达式目的在于搜索category元素，并且该元素包含有值为accessibility的term属性。但是那并不是查询的结果。请看查询字符串的尾端；是否注意到了/..这一块？它的意思是，“然后返回已经找到的category元素的父元素。”所以这条XPath查询语句会找到所有包含<category
term='accessibility'>作为子元素的条目。
③
xpath()函数返回一个ElementTree对象列表。在这篇文档中，只有一个category元素，并且它的term属性值为accessibility。
④
XPath表达式并不总是会返回一个元素列表。技术上说，一个解析了的xml文档的dom模型并不包含元素；它只包含结点(node)。依据它们的类型，结点可以是元素，属性，甚至是文本内容。XPath查询的结果是一个结点列表。当前查询返回一个文本结点列表：title元素(atom:title)的文本内容(text())，并且title元素必须是当前元素的子元素(./)。
⁂
生成XML#
Python对xml的支持不只限于解析已存在的文档。我们也可以从头来创建xml文档。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> import xml.etree.ElementTree as etree
>>> new_feed = etree.Element('{http://www.w3.org/2005/Atom}feed', ①
... attrib={'{http://www.w3.org/XML/1998/namespace}lang': 'en'}) ②
>>> print(etree.tostring(new_feed)) ③
<ns0:feed xmlns:ns0='http://www.w3.org/2005/Atom' xml:lang='en'/>
①
实例化Element类来创建一个新元素。可以将元素的名字（名字空间 + 本地名）作为其第一个参数。当前语句在Atom名字空间中创建一个feed元素。它将会成为我们文档的根元素。
②
将属性名和值构成的字典对象传递给attrib参数，这样就可以给新创建的元素添加属性。请注意，属性名应该使用标准的ElementTree格式，{namespace}localname。
③
在任何时候，我们可以使用ElementTree的tostring()函数序列化任意元素（还有它的子元素）。
这种序列化结果有使你感到意外吗？技术上说，ElementTree使用的序列化方法是精确的，但却不是最理想的。在本章开头给出的xml样例文档中定义了一个默认名字空间(default namespace)(xmlns='http://www.w3.org/2005/Atom')。对于每个元素都在同一个名字空间中的文档 — 比如Atom
feeds — 定义默认的名字空间非常有用，因为只需要声明一次名字空间，然后在声明每个元素的时候只需要使用其本地名即可(<feed>，<link>，<entry>)。除非想要定义另外一个名字空间中的元素，否则没有必要使用前缀。
对于xml解析器来说，它不会“注意”到使用默认名字空间和使用前缀名字空间的xml文档之间有什么不同。当前序列化结果的dom为：
<ns0:feed xmlns:ns0='http://www.w3.org/2005/Atom' xml:lang='en'/>
与下列序列化的DOM是一模一样的：
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'/>
实际上唯一不同的只是第二个序列化短了几个字符长度。如果我们改动整个样例feed，使每一个起始和结束标签都有一个ns0:前缀，这将为每个起始标签增加
4 个字符 × 79 个标签 + 4 个名字空间声明本身用到的字符，总共320个字符。假设我们使用UTF-8编码，那将是320个额外的字节。（使用gzip压缩以后，大小可以降到21个字节，但是，21个字节也是字节。）也许对个人来说这算不了什么，但是对于像Atom
feed这样的东西，只要稍有改变就有可能被下载上千次，每一个请求节约的几个字节就会迅速累加起来。
内置的ElementTree库没有提供细粒度地对序列化时名字空间内的元素的控制，但是lxml有这样的功能。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> import lxml.etree
>>> NSMAP = {None: 'http://www.w3.org/2005/Atom'} ①
>>> new_feed = lxml.etree.Element('feed', nsmap=NSMAP) ②
>>> print(lxml.etree.tounicode(new_feed)) ③
<feed xmlns='http://www.w3.org/2005/Atom'/>
>>> new_feed.set('{http://www.w3.org/XML/1998/namespace}lang', 'en') ④
>>> print(lxml.etree.tounicode(new_feed))
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'/>
①
首先，定义一个用于名字空间映射的字典对象。其值为名字空间；字典中的键即为所需要的前缀。使用None作为前缀来定义默认的名字空间。
②
现在我们可以在创建元素的时候，给lxml专有的nsmap参数传值，并且lxml会参照我们所定义的名字空间前缀。
③
如所预期的那样，该序列化使用Atom作为默认的名字空间，并且在声明feed元素的时候没有使用名字空间前缀。
④
啊噢… 我们忘了加上xml:lang属性。我们可以使用set()方法来随时给元素添加所需属性。该方法使用两个参数：标准ElementTree格式的属性名，然后，属性值。（该方法不是lxml特有的。在该样例中，只有nsmap参数是lxml特有的，它用来控制序列化输出时名字空间的前缀。）
难道每个xml文档只能有一个元素吗？当然不了。我们可以创建子元素。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> title = lxml.etree.SubElement(new_feed, 'title', ①
... attrib={'type':'html'}) ②
>>> print(lxml.etree.tounicode(new_feed))
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'><title type='html'/></feed>
>>> title.text = 'dive into …' ③
>>> print(lxml.etree.tounicode(new_feed)) ④
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'><title type='html'>dive into &hellip;</title></feed>
>>> print(lxml.etree.tounicode(new_feed, pretty_print=True)) ⑤
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'>
<title type='html'>dive into&hellip;</title>
</feed>
①
给已有元素创建子元素，我们需要实例化SubElement类。它只要求两个参数，父元素（即该样例中的new_feed）和子元素的名字。由于该子元素会从父元素那儿继承名字空间的映射关系，所以这里不需要再声明名字空间前缀。
②
我们也可以传递属性字典给它。字典的键即属性名；值为属性的值。
③
如预期的那样，新创建的title元素在Atom名字空间中，并且它作为子元素插入到feed元素中。由于title元素没有文件内容，也没有其子元素，所以lxml将其序列化为一个空元素（使用/>）。
④
设定元素的文本内容，只需要设定其.text属性。
⑤
当前title元素序列化的时候就使用了其文本内容。任何包含了<或者&符号的内容在序列化的时候需要被转义。lxml会自动处理转义。
☞你也许也想要看一看xmlwitch，它也是用来生成xml的另外一个第三方库。它大量地使用了with语句来使生成的xml代码更具可读性。
⁂
解析破损的XML#
xml规范文档中指出，要求所有遵循xml规范的解析器使用“严厉的(draconian)错误处理”。即，当它们在xml文档中检测到任何编排良好性(wellformedness)错误的时候，应当立即停止解析。编排良好性错误包括不匹配的起始和结束标签，未定义的实体(entity)，非法的Unicode字符，还有一些只有内行才懂的规则(esoteric
rules)。这与其他的常见格式，比如html，形成了鲜明的对比 — 即使忘记了封闭html标签，或者在属性值中忘了转义&字符，我们的浏览器也不会停止渲染一个Web页面。（通常大家认为html没有错误处理机制，这是一个常见的误解。html的错误处理实际上被很好的定义了，但是它比“遇见第一个错误即停止”这种机制要复杂得多。）
一些人（包括我自己）认为xml的设计者强制实行这种严格的错误处理本身是一个失误。请不要误解我；我当然能看到简化错误处理机制的优势。但是在现实中，“编排良好性”这种构想比乍听上去更加复杂，特别是对xml（比如Atom
feeds）这种发布在网络上，通过http传播的文档。早在1997年xml就标准化了这种严厉的错误处理，尽管xml已经非常成熟，研究一直表明，网络上相当一部分的Atom
feeds仍然存在着编排完整性错误。
所以，从理论上和实际应用两种角度来看，我有理由“不惜任何代价”来解析xml文档，即，当遇到编排良好性错误时，不会中断解析操作。如果你认为你也需要这样做，lxml可以助你一臂之力。
以下是一个破损的xml文档的片断。其中的编排良好性错误已经被高亮标出来了。
<?xml version='1.0' encoding='utf-8'?>
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'>
<title>dive into …</title>
...
</feed>
因为实体…并没有在xml中被定义，所以这算作一个错误。（它在html中被定义。）如果我们尝试使用默认的设置来解析该破损的feed，lxml会因为这个未定义的实体而停下来。
>>> import lxml.etree
>>> tree = lxml.etree.parse('examples/feed-broken.xml')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "lxml.etree.pyx", line 2693, in lxml.etree.parse (src/lxml/lxml.etree.c:52591)
File "parser.pxi", line 1478, in lxml.etree._parseDocument (src/lxml/lxml.etree.c:75665)
File "parser.pxi", line 1507, in lxml.etree._parseDocumentFromURL (src/lxml/lxml.etree.c:75993)
File "parser.pxi", line 1407, in lxml.etree._parseDocFromFile (src/lxml/lxml.etree.c:75002)
File "parser.pxi", line 965, in lxml.etree._BaseParser._parseDocFromFile (src/lxml/lxml.etree.c:72023)
File "parser.pxi", line 539, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:67830)
File "parser.pxi", line 625, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:68877)
File "parser.pxi", line 565, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:68125)
lxml.etree.XMLSyntaxError: Entity 'hellip' not defined, line 3, column 28
为了解析该破损的xml文档，忽略它的编排良好性错误，我们需要创建一个自定义的xml解析器。
跳过该代码清单
[隐藏] [在新窗口中打开]>>> parser = lxml.etree.XMLParser(recover=True) ①
>>> tree = lxml.etree.parse('examples/feed-broken.xml', parser) ②
>>> parser.error_log ③
examples/feed-broken.xml:3:28:FATAL:PARSER:ERR_UNDECLARED_ENTITY: Entity 'hellip' not defined
>>> tree.findall('{http://www.w3.org/2005/Atom}title')
[<Element {http://www.w3.org/2005/Atom}title at ead510>]
>>> title = tree.findall('{http://www.w3.org/2005/Atom}title')[0]
>>> title.text ④
'dive into '
>>> print(lxml.etree.tounicode(tree.getroot())) ⑤
<feed xmlns='http://www.w3.org/2005/Atom' xml:lang='en'>
<title>dive into </title>
.
. [rest of serialization snipped for brevity]
.
①
实例化lxml.etree.XMLParser类来创建一个自定义的解析器。它可以使用许多不同的命名参数。在此，我们感兴趣的为recover参数。当它的值被设为True，xml解析器会尽力尝试从编排良好性错误中“恢复”。
②
为使用自定的解析器来处理xml文档，将对象parser作为第二个参数传递给parse()函数。注意，lxml没有因为那个未定义的…实体而抛出异常。
③
解析器会记录它所遇到的所有编排良好性错误。（无论它是否被设置为需要从错误中恢复，这个记录总会存在。）
④
由于不知道如果处理该未定义的…实体，解析器默认会将其省略掉。title元素的文本内容变成了'dive
into '。
⑤
从序列化的结果可以看出，实体…并没有被移到其他地方去；它就是被省略了。
在此，必须反复强调，这种“可恢复的”xml解析器没有互用性(interoperability)保证。另一个不同的解析器可能就会认为…来自html，然后将其替换为&hellip;。这样“更好”吗？也许吧。这样“更正确”吗？不，两种处理方法都不正确。正确的行为（根据xml规范）应该是终止解析操作。如果你已经决定不按规范来，你得自己负责。 |
|
QQ群⑧：
窥视卡
雷达卡
发表于 2015-10-26 12:14:01
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡