使用minidom來處理XML的樣本(Python 學習)(轉載)__Python

http://www.cnblogs.com/xuxm2007/archive/2011/01/16/1936610.html

http://blog.csdn.net/ywchen2000/archive/2006/07/04/876742.aspx 

 http://blog.csdn.net/zhangj1012003_2007/archive/2010/04/23/5514807.aspx

 http://blog.csdn.net/zhangj1012003_2007/archive/2010/04/22/5514929.aspx

 http://blog.csdn.net/zhangj1012003_2007/archive/2010/04/22/5514935.aspx

 

一.XML的讀取.

在 NewEdit 中有程式碼片段的功能，程式碼片段分為片段的分類和片段的內容。在預設情況下都是用XML格式儲存的。下面我講述一下，如何使用minidom來讀取和儲存XML檔案。

下面是片段分類的一個樣本檔案--catalog.xml

<?xml version="1.0" encoding="utf-8"?>
<catalog>
    <maxid>4</maxid>
    <item id="1">
        <caption>Python</caption>
        <item id="4">
            <caption>測試</caption>
        </item>
    </item>
    <item id="2">
        <caption>Zope</caption>
    </item>
</catalog>

分類是樹狀結構，顯示出來可能為：

Python
    測試
Zope

先簡單介紹一下XML的知識，如果你已經知道了可以跳過去。

1. XML文檔的編碼

此XML文檔的編碼為utf-8，因此你看到的“測試”其實是UTF-8編碼。在XML文檔的處理中都是使用UTF-8編碼進行的，因此，如果你不寫明encoding的話，都是認為檔案是UTF-8編碼的。在Python中，好象只支援幾種編碼，象我們常用的GB2312碼就不支援，因此建議大家在處理XML時使用UTF-8編碼。

2. XML文檔的結構

XML文檔有XML頭資訊和XML資訊體。頭資訊如：

<?xml version="1.0" encoding="utf-8"?>

它表明了此XML文檔所用的版本，編碼方式。有些複雜的還有一些文件類型的定義(DOCTYPE)，用於定義此XML文檔所用的DTD或Schema和一些實體的定義。這裡並沒有用到，而且我也不是專家，就不再細說了。

XML資訊體是由樹狀元素組成。每個XML文檔都有一個文件項目，也就是樹的根項目，所有其它的元素和內容都包含在根項目中。

3. DOM

DOM是Document Object Model的簡稱，它是以對象樹來表示一個XML文檔的方法，使用它的好處就是你可以非常靈活的在對象中進行遍曆。

4. 元素和結點

元素就是標記，它是成對出現的。XML文檔就是由元素組成的，但元素與元素之間可以有文本，元素的內容也是文本。在minidom中有許多的結點，元素也屬於結點的一種，它不是葉子結點，即它存在子結點；還存在一些葉子結點，如文本結點，它下面不再有子結點。

象catalog.xml中，文件項目是catalog，它下面有兩種元素：maxid和item。maxid用來表示當前最大的item的id值。每一個item都有一個id屬性，id屬性是唯一的，在 NewEdit 中用來產生每個分類所對應的程式碼片段的XML文檔名，因此不能重複，而且它是一個遞增的值。item元素有一個caption子項目，用來表示此分類項的名稱，它還可以包含item元素。這樣，就定義了一個樹狀XML結構，下面讓我們看一看如果把它們讀出來。

一、得到dom對象

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

這樣我們得到了一個dom對象，它的第一個元素應該是catalog。

二、得到文件項目對象

>>> root = dom.documentElement

這樣我們得到了根項目(catalog)。

三、結點屬性

每一個結點都有它的nodeName，nodeValue，nodeType屬性。nodeName為結點名字。

>>> root.nodeName
u'catalog'

nodeValue是結點的值，只對文本結點有效。nodeType是結點的類型，現在有以下幾種：

'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'

這些結點通過名字很好理解。catalog是ELEMENT_NODE類型。

>>> root.nodeType
1
>>> root.ELEMENT_NODE
1

四、子項目、子結點的訪問

訪問子項目、子結點的方法很多，對於知道元素名字的子項目，可以使用getElementsByTagName方法，如讀取maxid子項目：

>>> root.getElementsByTagName('maxid')
[<DOM Element: maxid at 0xb6d0a8>]

這樣返回一個列表，由於我們的例子中maxid只有一項，因此列表也只有一項。

如果想得到某個元素下的所有子結點(包括元素)，可以使用childNodes屬性：

>>> root.childNodes
[<DOM Text node "\n    ">, <DOM Element: maxid at 0xb6d0a8>, <DOM Text node "\n    ">, <DOM Element: item at 0xb6d918>, <DOM Text node "\n    ">, <DOM Element: item at 0xb6de40>, <DOM Text node "\n    ">, <DOM Element: item at 0xb6dfa8>, <DOM Text node "\n">]

可以看出所有兩個標記間的內容都被視為文本結點。象每行後面的斷行符號，都被看到文本結點。從上面的結果我們可以看出每個結點的類型，本例中有文本結點和元素結點；結點的名字（元素結點）；結點的值（文本結點）。每個結點都是一個對象，不同的結點對象有不同的屬性和方法，更詳細的要參見文檔。由於本例比較簡單，只涉及文本結點和元素結點。

getElementsByTagName可以搜尋當前元素的所有子項目，包括所有層次的子項目。childNodes只儲存了當前元素的第一層子結點。

這樣我們可以遍曆childNodes來訪問每一個結點，判斷它的nodeType來得到不同的內容。如，列印出所有元素的名字：

>>> for node in root.childNodes:
    if node.nodeType == node.ELEMENT_NODE:
        print node.nodeName
        
maxid
item
item

對於文本結點，想得到它的常值內容可以使用: .data屬性。

對於簡單的元素，如：<caption>Python</caption>，我們可以編寫這樣一個函數來得到它的內容（這裡為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

這個函數只處理找到的第一個符合的子項目。它會將符合的第一個子項目中的所有文本結點拼在一起。當nodeType為文本類結點時，node.data為文本的內容。如果我們考查一下元素caption，我們可能看到：

[<DOM Text node "Python">]

說明caption元素只有一個文本結點。

如果一個元素有屬性，那麼可以使用getAttribute方法，如：

>>> itemlist = root.getElementsByTagName('item')
>>> item = itemlist[0]
>>> item.getAttribute('id')
u'1'

這樣就得到了第一個item元素的屬性值。

下面讓我們簡單地小結一下如何使用minidom來讀取XML中的資訊

1. 匯入xml.dom.minidom模組，產生dom對象
2. 得到文檔對象（根對象）
3. 通過getElementsByTagName()方法和childNodes屬性（還有其它一些方法和屬性）找到要處理的元素
4. 取得元素下文本結點的內容
二.寫入.

下面我來示範一下如何從無到有產生象catalog.xml一樣的XML檔案。

一、產生dom對象

>>> import xml.dom.minidom
>>> impl = xml.dom.minidom.getDOMImplementation()
>>> dom = impl.createDocument(None, 'catalog', None)

這樣就產生了一個空的dom對象。其中catalog為文件項目名，即根項目名。

二、顯示產生的XML內容

每一個dom結點對象（包括dom對象本身）都有輸出XML內容的方法，如：toxml(), toprettyxml()

toxml()輸出緊湊格式的XML文本，如：

<catalog><item>test</item><item>test</item></catalog>

toprettyxml()輸出美化後的XML文本，如：

<catalog>
    <item>
        test
    </item>
    <item>
        test
    </item>
</catalog>

可以看出，它是將每個結點後面都加入了斷行符號符，並且自動處理縮近。但對於每一個元素，如果元素只有常值內容，則我希望元素的tag與文本是在一起的，如：

<item>test</item>

而不想是分開的格式，但minidom本身是不支援這樣的處理。關於如何?形如：

<catalog>
    <item>test</item>
    <item>test</item>
</catalog>

這樣的XML格式，後面我們再說。

三、產生各種結點對象

dom對象擁有各種產生結點的方法，下面列出文本結點，CDATA結點和元素結點的產生過程。

1. 文本結點的產生

>>> text=dom.createTextNode('test')
test

要注意的是，在產生結點時，minidom並不對文本字元進行檢查，象文本中如果出現了'<','&'之類的字元，應該轉換為相應的實體符號'&lt;','&amp;'才可以，這裡沒有做這個處理。

2. CDATA結點的產生

>>> data = dom.createCDATASection('aaaaaa\nbbbbbb')
>>> data.toxml()
'<![CDATA[aaaaaa\nbbbbbb]]>'

CDATA是用於包括大塊文本，同時可以不用轉換'<','&'字元的標記，它是用<![CDATA[文本]]>來包括的。但文本中不可以有"]]>"這樣的串存在。產生結點時minidom不作這些檢查，只有當你輸出時才有可能發現有錯。

3. 元素結點的產生

>>> item = dom.createElement('caption')
>>> item.toxml()
'<caption/>'