将文本字符串转换为XML

Question

我有一个类似下面的文本字符串：

statistics:
    time-started: Tue Feb  5 15:33:35 2013
    time-sampled: Thu Feb  7 12:25:39 2013
    statistic:
        active: 0
        interactive: 0
    count: 0
    up:
        packets: 0
        bytes: 0
    down:
        packets: 0
        bytes: 0

我需要解析像上面这样的字符串（我需要解析的字符串实际上要大得多，这里只是给了一个例子）。我觉得解析一些元素最简单的方法就是把这个字符串转换成XML格式的字符串，然后使用xml.etree.ElementTree来选择我想要的元素。

所以我想把上面的字符串转换成下面这样的XML字符串：

<statistics>
    <time-started>Tue Feb  5 15:33:35 2013</time-started>
    <time-sampled>Thu Feb  7 12:25:39 2013</time-sampled>
    <statistic>
        <active>0</active>
        <interactive>0</interactive>
    </statistic>
    <count>0</count>
    <up>
        <packets>0</packets>
        <bytes>0</bytes>
    </up>
    <down>
        <packets>0</packets>
        <bytes>0</bytes>
    </down>
</statistics>

如你所见，字符串中包含了所有可以转换成XML的信息。如果有简单的方法或者模块可以做到这一点，我不想重新发明轮子。

Answer 1

user2050283 说得没错，这确实是 YAML 格式，这让解析变得简单。出于学习的目的，我尝试自己解析一下。期待一些反馈。

你的数据结构是层级的，像树一样。所以我们在 Python 中定义一个树，尽量简单 (参考)：

from collections import defaultdict

def tree(): return defaultdict(tree)

接下来，我们在一个解析函数中使用这个树。这个函数会逐行读取，查看缩进情况，记录当前的路径（也就是面包屑导航），并尝试把一行分成键和值（如果有的话），然后填充我们的树。如果某行的缩进和之前的缩进不匹配，就会报错——这和 Python 对其源代码的处理方式类似。

def load_data(f):
    doc = tree()
    previous_indents = [""]
    path = [""]

    for line in map(lambda x: x.rstrip("\n"), 
                    filter( is_valid_line, f)
                ):
        line_wo_indent = line.lstrip(" ")
        indent = line[:(len(line) - len(line_wo_indent))]

        k, v = read_key_and_value(line_wo_indent)

        if len(indent) > len(previous_indents[-1]):
            previous_indents.append(indent)
            path.append(k)

        elif len(indent) == len(previous_indents[-1]):    
            path[-1] = k

        else: # indent is shorter
            try:
                while previous_indents[-1] != indent:
                    previous_indents.pop()
                    path.pop()            
            except IndexError:
                raise IndentationError("Indent doesn't match any previous indent.")
            path[-1] = k

        if v is not None:
            set_leaf_value_from_path(doc, path, v)
    return doc

我创建的辅助函数有：

• set_leaf_value_from_path: 接受一个树、一个路径（键的列表）和一个值。它使用递归向下遍历树，并设置路径所定义的叶子节点的值。
• read_key_and_value: 将一行按第一个 ":" 分成键和值。
• is_valid_line: 用来检查一行是否不为空或者是否以数字符号开头。

这是完整的脚本：

from collections import defaultdict

def tree(): return defaultdict(tree)

def dicts(t): 
    if isinstance(t, dict):
        return {k: dicts(t[k]) for k in t}
    else:
        return t

def load_data(f):
    doc = tree()
    previous_indents = [""]
    path = [""]

    for line in map(lambda x: x.rstrip("\n"), 
                    filter( is_valid_line, f)
                ):
        line_wo_indent = line.lstrip(" ")
        indent = line[:(len(line) - len(line_wo_indent))]

        k, v = read_key_and_value(line_wo_indent)

        if len(indent) > len(previous_indents[-1]):
            previous_indents.append(indent)
            path.append(k)

        elif len(indent) == len(previous_indents[-1]):    
            path[-1] = k

        else: # indent is shorter
            try:
                while previous_indents[-1] != indent:
                    previous_indents.pop()
                    path.pop()            
            except IndexError:
                raise IndentationError("Indent doesn't match any previous indent.")
            path[-1] = k

        if v is not None:
            set_leaf_value_from_path(doc, path, v)
    return doc

def set_leaf_value_from_path(tree_, path, value):
    if len(path)==1:
        tree_[path[0]] = value
    else:
        set_leaf_value_from_path(tree_[path[0]], path[1:], value)

def read_key_and_value(line):
    pos_of_first_column = line.index(":")
    k = line[:pos_of_first_column].strip()
    v = line[pos_of_first_column+1:].strip()
    return k, v if len(v) > 0 else None

def is_valid_line(line):
    if line.strip() == "":
        return False
    if line.lstrip().startswith("#"):
        return False
    return True


if __name__ == "__main__":
    import cStringIO

    document_str = """
statistics:
    time-started: Tue Feb  5 15:33:35 2013
    time-sampled: Thu Feb  7 12:25:39 2013
    statistic:
        active: 0
        interactive: 0
    count: 1
    up:
        packets: 2
        bytes: 2
    down:
        packets: 3
        bytes: 3
"""
    f = cStringIO.StringIO(document_str)
    doc = load_data(f)

    from pprint import pprint
    pprint(dicts(doc))

已知的限制：

• 只支持标量作为值。
• 只支持字符串标量作为值。
• 不支持多行标量。
• 注释没有按照定义实现，也就是说，注释不能在行的任何位置开始；只有以数字符号开头的行才会被视为注释。

这些只是已知的限制。我相信 YAML 的其他部分也不被支持。但这似乎足够处理你的数据了。

Answer 2

你其实是在把YAML格式的数据转换成XML格式。你可以使用PyYAML这个工具来把你的输入字符串解析成Python字典，然后再用一个XML生成器把这个字典转换成XML格式。