Python BeautifulSoup XML解析

Question

我写了一个简单的脚本，用来解析XML格式的聊天记录，使用的是BeautifulSoup这个模块。标准的soup.prettify()方法效果还不错，但聊天记录里面有很多多余的信息。下面是我正在使用的脚本代码和一些XML输入文件的内容：

代码

import sys
from BeautifulSoup import BeautifulSoup as Soup

def parseLog(file):
    file = sys.argv[1]
    handler = open(file).read()
    soup = Soup(handler)
    print soup.prettify()

if __name__ == "__main__":
    parseLog(sys.argv[1])

测试用的XML输入

<?xml version="1.0"?>
<?xml-stylesheet type='text/xsl' href='MessageLog.xsl'?>
<Log FirstSessionID="1" LastSessionID="2"><Message Date="10/31/2010" Time="3:43:48 PM"     DateTime="2010-10-31T20:43:48.937Z" SessionID="1"><From><User FriendlyName="Jon"/></From>    <To><User FriendlyName="Bill"/></To><Text Style="font-family:Segoe UI; color:#000000; ">hey, what's up?</Text></Message>
<Message Date="10/31/2010" Time="3:44:03 PM" DateTime="2010-10-15T20:44:03.421Z" SessionID="1"><From><User FriendlyName="Jon"/></From><To><User FriendlyName="Bill"/></To><Text Style="font-family:Segoe UI; color:#000000; ">Got your message</Text></Message> 
<Message Date="10/31/2010" Time="3:44:31 PM" DateTime="2010-10-15T20:44:31.390Z" SessionID="2"><From><User FriendlyName="Bill"/></From><To><User FriendlyName="Jon"/></To><Text Style="font-family:Segoe UI; color:#000000; ">oh, great</Text></Message>
<Message Date="10/31/2010" Time="3:44:59 PM" DateTime="2010-10-15T20:44:59.281Z" SessionID="2"><From><User FriendlyName="Bill"/></From><To><User FriendlyName="Jon"/></To><Text Style="font-family:Segoe UI; color:#000000; ">hey, i gotta run</Text></Message>

我想把这些内容输出成像下面这样的格式，或者至少比纯XML更容易阅读：

Jon:
嘿，怎么样？ [10/31/10 @ 3:43p]

Jon:
收到了你的消息 [10/31/10 @ 3:44p]

Bill:
哦，太好了 [10/31/10 @ 3:44p]

等等……我听说PyParsing模块还不错，也许是时候试试了。

Answer 1

我建议你使用内置的 ElementTree 模块。BeautifulSoup 是用来处理那些格式不太规范的代码，比如乱七八糟的 HTML，而 XML 是格式规范的，应该用 XML 库来读取。

更新：我最近看到的一些资料提到 lxml 这个库，它是在标准的 ElementTree 基础上开发的，并且进行了增强。

Answer 2

BeautifulSoup 让我们在处理 XML 文件时，获取属性和数值变得非常简单。我对你的示例函数做了一些调整，使用了这些功能。

import sys
from BeautifulSoup import BeautifulSoup as Soup

def parseLog(file):
    file = sys.argv[1]
    handler = open(file).read()
    soup = Soup(handler)
    for message in soup.findAll('message'):
        msg_attrs = dict(message.attrs)
        f_user = message.find('from').user
        f_user_dict = dict(f_user.attrs)
        print "%s: %s [%s @ %s]" % (f_user_dict[u'friendlyname'],
                                    message.find('text').decodeContents(),
                                    msg_attrs[u'date'],
                                    msg_attrs[u'time'])


if __name__ == "__main__":
    parseLog(sys.argv[1])