在Python中比较两个XML文件
我刚开始学习用Python编程，遇到了一些理解上的问题。我想比较两个XML文件，这两个文件都挺大的。下面是我想比较的文件类型的例子。
xmlfile1:
<xml>
<property1>
<property2>
<property3>
</property3>
</property2>
</property1>
</xml>
xml file2:
<xml>
<property1>
<property2>
<property3>
<property4>
</property4>
</property3>
</property2>
</property1>
</xml>
我提到的property1和property2跟文件里实际的内容不一样。XML文件里有很多属性。我想把这两个XML文件进行比较。
我正在使用lxml这个解析器，想要比较这两个文件，并打印出它们之间的不同之处。
但我不知道怎么自动解析和比较它们。
我试着阅读lxml解析器的文档，但还是不明白怎么用它来解决我的问题。
有没有人能告诉我该如何处理这个问题呢？
代码示例会很有帮助。
还有一个问题，我这样做是否正确？我是不是漏掉了什么？如果你知道其他相关的概念，请告诉我。
4 个回答
1
这是另一个使用 xml.etree 的脚本。虽然它很糟糕，但确实能用 :)
#!/usr/bin/env python
import sys
import xml.etree.ElementTree as ET
from termcolor import colored
tree1 = ET.parse(sys.argv[1])
root1 = tree1.getroot()
tree2 = ET.parse(sys.argv[2])
root2 = tree2.getroot()
class Element:
def __init__(self,e):
self.name = e.tag
self.subs = {}
self.atts = {}
for child in e:
self.subs[child.tag] = Element(child)
for att in e.attrib.keys():
self.atts[att] = e.attrib[att]
print "name: %s, len(subs) = %d, len(atts) = %d" % ( self.name, len(self.subs), len(self.atts) )
def compare(self,el):
if self.name!=el.name:
raise RuntimeError("Two names are not the same")
print "----------------------------------------------------------------"
print self.name
print "----------------------------------------------------------------"
for att in self.atts.keys():
v1 = self.atts[att]
if att not in el.atts.keys():
v2 = '[NA]'
color = 'yellow'
else:
v2 = el.atts[att]
if v2==v1:
color = 'green'
else:
color = 'red'
print colored("first:\t%s = %s" % ( att, v1 ), color)
print colored("second:\t%s = %s" % ( att, v2 ), color)
for subName in self.subs.keys():
if subName not in el.subs.keys():
print colored("first:\thas got %s" % ( subName), 'purple')
print colored("second:\thasn't got %s" % ( subName), 'purple')
else:
self.subs[subName].compare( el.subs[subName] )
e1 = Element(root1)
e2 = Element(root2)
e1.compare(e2)
6
如果你想比较XML的内容和属性，而不仅仅是逐字节比较文件，那么这个问题就有些复杂了，所以没有一种解决方案适合所有情况。
你需要了解XML文件中哪些内容是重要的。
一般来说，元素标签中属性的顺序通常不应该影响比较结果。也就是说，两个XML文件如果只是属性的顺序不同，通常应该被认为是相同的。
但这只是一般情况。
具体的情况会依赖于应用。例如，文件中某些元素的空格格式可能不重要，空格可能是为了让XML更易读而添加的，等等。
最近版本的ElementTree模块有一个叫canonicalize()的函数，可以处理一些简单的情况，把XML字符串转换成标准格式。
我在最近一个项目的单元测试中使用了这个函数，用来比较一个已知的XML输出和一个有时会改变属性顺序的包的输出。在这种情况下，文本元素中的空格并不重要，但有时会用于格式化。
import xml.etree.ElementTree as ET
def _canonicalize_XML( xml_str ):
""" Canonicalizes XML strings, so they are safe to
compare directly.
Strips white space from text content."""
if not hasattr( ET, "canonicalize" ):
raise Exception( "ElementTree missing canonicalize()" )
root = ET.fromstring( xml_str )
rootstr = ET.tostring( root )
return ET.canonicalize( rootstr, strip_text=True )
使用方法大概是这样的：
file1 = ET.parse('file1.xml')
file2 = ET.parse('file2.xml')
canon1 = _canonicalize_XML( ET.tostring( file1.getroot() ) )
canon2 = _canonicalize_XML( ET.tostring( file2.getroot() ) )
print( canon1 == canon2 )
在我的版本中，Python 2没有canonicalize()这个函数，但Python 3有。
7
我解决这个问题的方法是把每个XML文件转换成一个叫做 xml.etree.ElementTree 的东西，然后逐层遍历它们。我还加入了一个功能，可以在比较的时候忽略一些特定的属性。
第一段代码是用来定义这个类的：
import xml.etree.ElementTree as ET
import logging
class XmlTree():
def __init__(self):
self.hdlr = logging.FileHandler('xml-comparison.log')
self.formatter = logging.Formatter('%(asctime)s %(levelname)s %(message)s')
@staticmethod
def convert_string_to_tree( xmlString):
return ET.fromstring(xmlString)
def xml_compare(self, x1, x2, excludes=[]):
"""
Compares two xml etrees
:param x1: the first tree
:param x2: the second tree
:param excludes: list of string of attributes to exclude from comparison
:return:
True if both files match
"""
if x1.tag != x2.tag:
self.logger.debug('Tags do not match: %s and %s' % (x1.tag, x2.tag))
return False
for name, value in x1.attrib.items():
if not name in excludes:
if x2.attrib.get(name) != value:
self.logger.debug('Attributes do not match: %s=%r, %s=%r'
% (name, value, name, x2.attrib.get(name)))
return False
for name in x2.attrib.keys():
if not name in excludes:
if name not in x1.attrib:
self.logger.debug('x2 has an attribute x1 is missing: %s'
% name)
return False
if not self.text_compare(x1.text, x2.text):
self.logger.debug('text: %r != %r' % (x1.text, x2.text))
return False
if not self.text_compare(x1.tail, x2.tail):
self.logger.debug('tail: %r != %r' % (x1.tail, x2.tail))
return False
cl1 = x1.getchildren()
cl2 = x2.getchildren()
if len(cl1) != len(cl2):
self.logger.debug('children length differs, %i != %i'
% (len(cl1), len(cl2)))
return False
i = 0
for c1, c2 in zip(cl1, cl2):
i += 1
if not c1.tag in excludes:
if not self.xml_compare(c1, c2, excludes):
self.logger.debug('children %i do not match: %s'
% (i, c1.tag))
return False
return True
def text_compare(self, t1, t2):
"""
Compare two text strings
:param t1: text one
:param t2: text two
:return:
True if a match
"""
if not t1 and not t2:
return True
if t1 == '*' or t2 == '*':
return True
return (t1 or '').strip() == (t2 or '').strip()
第二段代码包含了一些XML示例和它们的比较：
xml1 = "<note><to>Tove</to><from>Jani</from><heading>Reminder</heading><body>Don't forget me this weekend!</body></note>"
xml2 = "<note><to>Tove</to><from>Daniel</from><heading>Reminder</heading><body>Don't forget me this weekend!</body></note>"
tree1 = XmlTree.convert_string_to_tree(xml1)
tree2 = XmlTree.convert_string_to_tree(xml2)
comparator = XmlTree()
if comparator.xml_compare(tree1, tree2, ["from"]):
print "XMLs match"
else:
print "XMLs don't match"
这段代码的大部分功劳要归功于 syawar
12
这个问题其实挺有挑战性的，因为“差异”这个词的意思往往因人而异。在这里，有些信息在语义上是“等价”的，但你可能并不想把它们标记为差异。
你可以试试使用 xmldiff，这个工具是基于一篇论文的研究，论文的标题是 层次结构信息中的变化检测。