XML解析 - ElementTree与SAX和DOM的对比

Question

Python有几种方法可以解析XML文件...

我对SAX解析的基本原理有一些了解。它是一种流式解析器，使用事件驱动的接口。

我也了解DOM解析器。它会把XML文件读入内存，并把它转换成可以用Python访问的对象。

一般来说，根据你的需求、内存限制和性能等因素，选择这两种解析器中的一种是比较简单的。

（希望到这里我说的都是对的。）

自从Python 2.5以来，我们还引入了ElementTree。那么它和DOM、SAX相比怎么样呢？它更像哪一个？为什么它比之前的解析器更好呢？

Answer 1

ElementTree 的接口更符合 Python 的风格。而且它现在已经包含在标准库里，所以使用它可以减少对其他库的依赖。

其实我更喜欢 lxml，因为它的接口和 ElementTree 类似，但还提供了一些很不错的额外功能，而且性能也很好。

Answer 2

最简化的DOM实现：

链接.

Python提供了一个完整的、符合W3C标准的XML DOM实现（xml.dom），还有一个简化版，叫做xml.dom.minidom。这个简化版比完整的实现要简单和小巧。不过，从“解析”的角度来看，它和标准DOM有一样的优缺点——也就是说，它会把所有内容都加载到内存中。

考虑一个基本的XML文件：

<?xml version="1.0"?>
<catalog>
    <book isdn="xxx-1">
      <author>A1</author>
      <title>T1</title>
    </book>
    <book isdn="xxx-2">
      <author>A2</author>
      <title>T2</title>
    </book>
</catalog>

使用minidom的一个可能的Python解析器是：

import os
from xml.dom import minidom
from xml.parsers.expat import ExpatError

#-------- Select the XML file: --------#
#Current file name and directory:
curpath = os.path.dirname( os.path.realpath(__file__) )
filename = os.path.join(curpath, "sample.xml")
#print "Filename: %s" % (filename)

#-------- Parse the XML file: --------#
try:
    #Parse the given XML file:
    xmldoc = minidom.parse(filepath)
except ExpatError as e:
    print "[XML] Error (line %d): %d" % (e.lineno, e.code)
    print "[XML] Offset: %d" % (e.offset)
    raise e
except IOError as e:
    print "[IO] I/O Error %d: %s" % (e.errno, e.strerror)
    raise e
else:
    catalog = xmldoc.documentElement
    books = catalog.getElementsByTagName("book")

    for book in books:
        print book.getAttribute('isdn')
        print book.getElementsByTagName('author')[0].firstChild.data
        print book.getElementsByTagName('title')[0].firstChild.data

需要注意的是，xml.parsers.expat是Python与Expat非验证XML解析器的接口（docs.python.org/2/library/pyexpat.html）。

xml.dom包还提供了一个异常类DOMException，但在minidom中并不支持这个类！

ElementTree XML API：

链接.

ElementTree使用起来简单得多，而且比XML DOM占用的内存少。此外，还有一个C语言实现（xml.etree.cElementTree）。

使用ElementTree的一个可能的Python解析器是：

import os
from xml.etree import cElementTree  # C implementation of xml.etree.ElementTree
from xml.parsers.expat import ExpatError  # XML formatting errors

#-------- Select the XML file: --------#
#Current file name and directory:
curpath = os.path.dirname( os.path.realpath(__file__) )
filename = os.path.join(curpath, "sample.xml")
#print "Filename: %s" % (filename)

#-------- Parse the XML file: --------#
try:
    #Parse the given XML file:
    tree = cElementTree.parse(filename)
except ExpatError as e:
    print "[XML] Error (line %d): %d" % (e.lineno, e.code)
    print "[XML] Offset: %d" % (e.offset)
    raise e
except IOError as e:
    print "[XML] I/O Error %d: %s" % (e.errno, e.strerror)
    raise e
else:
    catalogue = tree.getroot()

    for book in catalogue:
        print book.attrib.get("isdn")
        print book.find('author').text
        print book.find('title').text

Answer 3

ElementTree 使用起来简单多了，因为它把 XML 树（基本上）看作一个列表结构，而属性则用字典来表示。

ElementTree 处理 XML 树所需的内存比 DOM 少得多（所以速度也更快），而通过 iterparse 解析的开销和 SAX 相当。此外，iterparse 会返回部分结构，你可以在处理完这些结构后立即丢弃它们，从而保持内存使用量不变。

ElementTree 在 Python 2.5 中的功能相对完整的 XML 库来说比较少，但对于很多应用来说已经足够了。如果你需要一个验证解析器或者完整的 XPath 支持，lxml 是个不错的选择。虽然它以前不太稳定，但自从 2.1 版本后我就没有遇到过问题。

ElementTree 和 DOM 有些不同，DOM 中的节点可以访问它们的父节点和兄弟节点。处理实际文档而不是数据存储时也有点麻烦，因为文本节点并不被视为真正的节点。在下面的 XML 片段中：

<a>This is <b>a</b> test</a>

字符串 test 将成为元素 b 的所谓 tail。

总的来说，我推荐在 Python 中进行 XML 处理时默认使用 ElementTree，而对于特定问题则可以考虑使用 DOM 或 SAX。