一、python處理XML

XML指可擴展標記語言(eXtensible Markup Language)。XML被設計用來傳輸和存儲數據。XML是一套定義語義標記的規則，這些標記將文檔分成許多部件并對這些部件加以標識。它也是元標記語言，即定義了用于定義其他與特定領域有關的、語義的、結構化的標記語言的句法語言。

Python對XML的解析:常見的XML編程接口有DOM和SAX，這兩種接口處理XML文件的方式不同，當然使用場合也不同。

1.SAX (simple API for XML )

python標準庫包含SAX解析器，SAX用事件驅動模型，通過在解析XML的過程中觸發一個個的事件并調用用戶定義的回調函數來處理XML文件。

2.DOM(Document Object Model)

將XML數據在內存中解析成一個樹，通過對樹的操作來操作XML。

注：因DOM需要將XML數據映射到內存中的樹，一是比較慢，二是比較耗內存，而SAX流式讀取XML文件，比較快，占用內存少，但需要用戶實現回調函數(handler)。

例：

cat book.xml<?xml ?version="1.0"?encoding="ISO-8859-1"?>

Harry?Potter

29.99

Learning?XML

39.95

使用python處理的相關代碼如下：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("")

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())

抓取全國各省郵編的實例：

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('')

end=content.find('')

content=content[start:end+len('')].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的一個小例子：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類。工作的流程是：當feed給它一個類似HTML格式的字符串時，它會調用goahead方法向前迭代各個標簽，并調用對應的parse_xxxx方法提取start_tag, tag, data, comment?和end_tag?等標簽信息和數據，然后調用對應的方法對這些抽取出來的內容進行處理

handle_startendtag? #處理開始標簽和結束標簽

handle_starttag ? ? ? #處理開始標簽，比如

handle_endtag ? ? ? ?#處理結束標簽，比如或者

handle_charref? ? ? ? #處理特殊字符串，就是以開頭的，一般是內碼表示的字符

handle_entityref? ? ? #處理一些特殊字符，以&開頭的，比如 ?

handle_data ? ? ? ? ? #處理data中間的那些數據

handle_comment? ? #處理注釋

handle_decl ? ? ? ? ? #處理

handle_pi ? ? ? ? ? ? ?#處理形如<?instruction>的

markupbase安裝方法: 直接'pip install'無法安裝成功，嘗試命令'pip search markupbase'得到包名'micropython-markupbase’，然后直接在網頁上下載這個包，下載后里面有一個'_markupbase.py'文件，將文件名前綴去掉后文件復制到python安裝目錄'\lib\site-packages'下。例：cp markupbase.py /usr/local/lib/python3.6/site-packages/

下例：處理指定的html文件#coding=utf-8

from?HTMLParser?import?HTMLParser

class?MyParser(HTMLParser):

"""一個簡單的HTMLparser的例子"""

def?handle_decl(self,?decl):

"""處理頭文檔"""

HTMLParser.handle_decl(self,?decl)

print(decl)

def?handle_starttag(self,?tag,?attrs):

"""處理起始標簽"""

HTMLParser.handle_starttag(self,?tag,?attrs)

if?not?HTMLParser.get_starttag_text(self).endswith("/>"):

print("")

def?handle_data(self,?data):

"""處理文本元素"""

HTMLParser.handle_data(self,?data)

print(data)

def?handle_endtag(self,?tag):

"""處理結束標簽"""

HTMLParser.handle_endtag(self,?tag)

if?not?HTMLParser.get_starttag_text(self).endswith("/>"):

print(""+tag+">")

def?handle_startendtag(self,?tag,?attrs):

"""處理自閉標簽"""

HTMLParser.handle_startendtag(self,?tag,?attrs)

print(HTMLParser.get_starttag_text(self))

def?handle_comment(self,?data):

"""處理注釋"""

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()

總結

以上是生活随笔為你收集整理的xml语言与html,XML与HTML的分析处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。