DIV CSS 佈局教程網

您现在的位置: DIV+CSS佈局教程網 >> 網頁腳本 >  >> XML學習教程 >> XML詳解
XML 與 Python 的完美搭檔
編輯:XML詳解     

有許多情境下,Python 是處理 XML 文件的理想語言。和 Perl、REBOL、REXX、TCL 一樣,它是靈活的腳本語言,具備強大的文字處理能力。而 XML 文件除了承載絕大多數的文字檔案內容之外,往往還編碼了相當複雜的資料結構。文字處理中常見的「讀幾行、丟給正則表達式比對」模式,通常無法妥善應對需要完整語法分析的 XML。所幸 Python 不僅天生就能處理複雜資料結構(通常透過類別與屬性),還有大量 XML 相關模組可以協助解析、處理與產生 XML。

關於 XML 有個基本觀念要先記住:文件可以用「驗證」或「非驗證」兩種方式處理。驗證處理在讀取 XML 之前必須先載入文件類型定義(DTD),除了套用 XML 本身的語法規則,還要檢查 DTD 定義的結構約束。大多數情況下,非驗證處理就足夠了,而且通常更快、更適合程式使用——我們相信文件的建立者遵守了自己定義的規則。本文介紹的模組大多屬於非驗證型;若有驗證選項,我會特別指出。

要尋找 Python 資源,Central Vaults of Parnassus 已經成為標準入口,本文提到的模組幾乎都能在那裡找到。特別是 PyXML 發行版,同時提供 tar 檔與 Win32 安裝程式。

Python XML 特別興趣小組(XML-SIG)

XML-SIG 的成員承担了 Python XML 工具鏈中大部分——甚至全部——的維護工作。和其他 Python SIG 一樣,XML-SIG 維護郵件論壇、討論存檔、參考文件、標準套件與其他資源。讀完本文的概覽之後,建議直接從 XML-SIG 的網站往下深入。

XML-SIG 維護的 PyXML 發行版收錄了本文將提到的多數模組,還附上入門文件、示範程式以及其他被選進發行版的內容。個別套件的獨立版本可能比發行版內的新,但先從 PyXML 開始是個好主意;之後隨時可以補上缺少的模組或更新版本。

模組:xmllib(標準)

Python 1.5.x 雖然沒有把 XML 工具放進標準發行版,卻已經內建模組 xmllib。它是一個非驗證的低階語法分析器,用法是覆寫 XMLParser 類別,並為文件中的各類元素(標籤、實體參照、字元參照等)提供對應的處理方法。

PyXML 發行版附帶了名為 quotations.dtd 的 DTD 以及對應的 sample.xml。以下程式會印出文件中每段引言的前幾行,並為未知的標籤與實體產生簡單的 ASCII 標記。被分析的文字是以連續串流的方式傳入的,任何累加的工作(例如把 #PCDATA 字串拼接起來、或收集遇到的標籤清單)都要由程式設計者自行負責。

#-------------------- try_xmllib.py --------------------#
import xmllib, string

class QuotationParser(xmllib.XMLParser):
    """以 xmllib 簡陋擷取 quotations.dtd 文件"""

    def __init__(self):
        xmllib.XMLParser.__init__(self)
        self.thisquote = ''          # 引言累加器

    def handle_data(self, data):
        self.thisquote = self.thisquote + data

    def syntax_error(self, message):
        pass

    def start_quotations(self, attrs):
        print '--- Begin Document ---'

    def start_quotation(self, attrs):
        print 'QUOTATION:'

    def end_quotation(self):
        print string.join(string.split(self.thisquote[:230])) + '...',
        print '(' + str(len(self.thisquote)) + ' bytes)'
        self.thisquote = ''

    def unknown_starttag(self, tag, attrs):
        self.thisquote = self.thisquote + '{'

    def unknown_endtag(self, tag):
        self.thisquote = self.thisquote + '}'

    def unknown_charref(self, ref):
        self.thisquote = self.thisquote + '?'

    def unknown_entityref(self, ref):
        self.thisquote = self.thisquote + '#'

if __name__ == '__main__':
    parser = QuotationParser()
    for c in open("sample.xml").read():
        parser.feed(c)
    parser.close()

其他語法分析模組

PyXML 發行版另外收錄了幾個功能各異的解析模組,作為對 xmllib 的補強。

pyexpat 是 GPL 授權的 C 語言 XML 解析工具箱 expat 的封裝。因為底層是 C,所以任何能呼叫它的語言都能受益;它是非驗證型,速度遠快於原本的 Python 解析器。sgmlop 的目標與 pyexpat 類似,同樣是非驗證型、同樣以 C 撰寫。pyexpat 有 MacOS 的執行檔可用,sgmlop 則提供 Win32 版本;若要在其他平台使用,就得自行用 C 編譯器建置。

xmlproc 是 Python 自家的解析器,幾乎支援完整的驗證功能。如果你需要驗證型解析器,xmlproc 是目前 Python 唯一的選擇,同時也提供其他解析器沒有的進階與測試介面。

如果你決定採用 SAX(XML 的簡易 API)——處理較複雜的任務時應該用它,因為多數工具都建立在它之上——那麼解析器的選用問題多半會自動解決。PyXML 的 xml.sax.drivers 收錄了許多解析器的薄封裝,命名形式是 drv_*.py。不過一般做法是透過高階 SAX 設施存取,由它自動挑選系統上「最佳」的可用解析器:

#------------- 選擇最佳解析器 ---------------#
from xml.sax.saxext import *

parser = XMLParserFactory.make_parser()

套件:SAX

SAX 是什麼?一個不錯的定義是:

「SAX(Simple API for XML)是 XML 解析器的通用介面。它讓應用程式作者在撰寫使用 XML 解析器的程式時,不必依賴特定的解析器實作。(可以把它想成 XML 界的 JDBC。)」
— Lars Marius Garshol, SAX for Python

SAX 基本上是一個 XML 文件的循序處理器,用法與 xmllib 範例極為相似,只是抽象層更高。你定義一個 handler 類別並向解析器註冊,需要實作的四個介面分別是 DocumentHandler、DTDHandler、EntityResolver 與 ErrorHandler。這些介面都有基類可用,而最省事的做法是繼承 HandlerBase,因為它一次繼承了全部四個介面。以下程式完成的工作與 xmllib 範例完全相同:

#--------------------- try_sax.py ----------------------#
import string
from xml.sax import saxlib, saxexts

class QuotationHandler(saxlib.HandlerBase):
    """以 SAX 簡陋擷取 quotations.dtd 文件"""

    def __init__(self):
        self.in_quote = 0
        self.thisquote = ''

    def startDocument(self):
        print '--- Begin Document ---'

    def startElement(self, name, attrs):
        if name == 'quotation':
            print 'QUOTATION:'
            self.in_quote = 1
        else:
            self.thisquote = self.thisquote + '{'

    def endElement(self, name):
        if name == 'quotation':
            print string.join(string.split(self.thisquote[:230])) + '...',
            print '(' + str(len(self.thisquote)) + ' bytes)'
            self.thisquote = ''
            self.in_quote = 0
        else:
            self.thisquote = self.thisquote + '}'

    def characters(self, ch, start, length):
        if self.in_quote:
            self.thisquote = self.thisquote + ch[start:start + length]

if __name__ == '__main__':
    parser  = saxexts.XMLParserFactory.make_parser()
    handler = QuotationHandler()
    parser.setDocumentHandler(handler)
    parser.parseFile(open("sample.xml"))
    parser.close()

和 xmllib 相比,有兩點值得注意:parseFile()/parse() 會一次處理整個串流或字串,所以不必自己寫餵資料的迴圈;另外傳給 characters() 的資料量並不固定,參數會告訴你資料的長度與位置,因此不要假設 ch 會以什麼形式送進來。

套件:DOM

DOM 是 XML 文件的高階樹狀表示。這個模型並非 Python 專屬,而是一種通用的 XML 模型。Python 的 DOM 套件建構在 SAX 之上,並包含在 PyXML 發行版中。由於篇幅所限這裡不放程式碼,但 XML-SIG 的「Python/XML HOWTO」有一份很好的整體說明。

「文件物件模型」為 XML 文件指定了樹狀表示:最上層的文件實例是樹的根,它只有一個子節點,也就是最上層元素;這個元素再有代表內容與子元素的子節點,並可繼續往下延伸。定義好的函式讓你可以自由走訪整棵樹、讀取元素與屬性值、插入或刪除節點,以及把樹轉回 XML。

DOM 也適合用來修改 XML 文件:建立一棵 DOM 樹,透過新增節點與搬移子樹來改變它,最後輸出成新的 XML 文件。你也可以完全從零組出一棵 DOM 樹再轉成 XML——這種產生 XML 的方式,比直接把 <TAG1>...</TAG1> 寫進檔案靈活得多。

套件:PyxIE

pyxie 建構在 PyXML 發行版之上,為 XML 文件提供額外的高階介面,主要做兩件事:把 XML 文件轉換成更易於解析的「以行為基礎」的格式,以及提供把 XML 文件當作可操作樹狀結構處理的方法。

它採用的 PYX 行式格式是語言中立的,工具已經橫跨多種語言。一般來說,文件的 PYX 表示比 XML 表示更容易用 grep、sed、awk、bash、perl,或 Python 標準模組如 string、re 這類以行為單位的文字工具處理。因此,從 XML 轉到 PYX 往往能省下大量功夫。

pyxie 的樹狀處理概念與 DOM 類似。由於 DOM 標準已被許多語言廣泛支持,如果任務確實需要樹狀表示,多數程式設計者仍會選擇 DOM 而非 pyxie。

模組:XML 解析器(xmllib.XMLParser 之外的檢查工具)

「XML 解析器」這個名字其實有點籠統,它指的是一項較早期的工具,用來檢查 XML 文件是否well-formed、結構是否完整(但不檢查 DTD 是否有效)。附帶的實用程式在檢查時有點小脾氣,它會讓 HTML 文件通過檢查,即使那些文件缺少 XML 要求的結束標籤。這個模組的適用範圍不如 PyXML 的其他模組全面,但如果你只想驗證幾份 XML 文件,設定與執行都很簡單。從命令列執行時,它會直接檢查 STDIN 上的 XML 文件,甚至不需要寫程式——這是最省事的做法。

XML_OBJECTS 0.1

和其他高階工具一樣,xml_objects 建構在 SAX 之上。它的目標是把 XML 文件轉換成二維網格表示,讓資料更容易存進關聯式資料庫。

下一步

下一期「Charming Python」專欄,我們會深入 xml.dom 模組——它很可能是 Python 程式設計者用來處理 XML 文件最強而有力的工具。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved