一、python处理XML

XML 指可扩展标记语言（eXtensible Markup Language）。XML 被设计用来传输和存储数据。XML是一套定义语义标记的规则，这些标记将文档分成许多部件并对这些部件加以标识。它也是元标记语言，即定义了用于定义其他与特定领域有关的、语义的、结构化的标记语言的句法语言。

Python对XML的解析:常见的XML编程接口有DOM和SAX，这两种接口处理XML文件的方式不同，当然使用场合也不同。

1.SAX (simple API for XML )

python 标准库包含SAX解析器，SAX用事件驱动模型，通过在解析XML的过程中触发一个个的事件并调用用户定义的回调函数来处理XML文件。

2.DOM(Document Object Model)

将XML数据在内存中解析成一个树，通过对树的操作来操作XML。

注：因DOM需要将XML数据映射到内存中的树，一是比较慢，二是比较耗内存，而SAX流式读取XML文件，比较快，占用内存少，但需要用户实现回调函数（handler）。

例：

cat book.xml

     
     
      
       
        Harry Potter
        
         29.99
        
       
      
      
       
        Learning XML
        
         39.95

使用python处理的相关代码如下：

import stringfrom xml.parsers.expat import ParserCreateclass DefaultSaxHandler(object):    def start_element(self,name,attrs):        self.name=name        #print('element:%s, attrs:%s' % (name,str(attrs)))        print("<"+name+">")    def end_element(self,name):        #print('end element:%s' % name)        print("
     ")    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_elementparser.EndElementHandler=handler.end_elementparser.CharacterDataHandler=handler.char_datawith open('book.xml') as f:    parser.Parse(f.read())

抓取全国各省邮编的实例：

import requestsfrom xml.parsers.expat import ParserCreateclass 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):        passdef 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 provincesprovinces=get_province_entry('http://www.ip138.com/post')print(provinces)

DOM的一个小例子：

from xml.dom import minidomdoc = minidom.parse('book.xml')root = doc.documentElementprint(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类。工作的流程是：当feed给它一个类似HTML格式的字符串时，它会调用goahead方法向前迭代各个标签，并调用对应的parse_xxxx方法提取start_tag, tag, data, comment 和end_tag 等标签信息和数据，然后调用对应的方法对这些抽取出来的内容进行处理

handle_startendtag  #处理开始标签和结束标签

handle_starttag       #处理开始标签，比如<xx>

handle_endtag        #处理结束标签，比如</xx>或者<……/>

handle_charref        #处理特殊字符串，就是以&#开头的，一般是内码表示的字符

handle_entityref      #处理一些特殊字符，以&开头的，比如 &nbsp;

handle_data           #处理<xx>data</xx>中间的那些数据

handle_comment    #处理注释

handle_decl           #处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"

handle_pi              #处理形如<?instruction>的

markupbase安装方法: 直接'pip install'无法安装成功，尝试命令'pip search markupbase'得到包名'micropython-markupbase’，然后直接在网页上下载这个包，下载后里面有一个'_markupbase.py'文件，将文件名前缀去掉后文件复制到python安装目录'\lib\site-packages'下。例：cp markupbase.py /usr/local/lib/python3.6/site-packages/

下例：处理指定的html文件

#coding=utf-8from HTMLParser import HTMLParserclass MyParser(HTMLParser):    """一个简单的HTMLparser的例子"""    def handle_decl(self, decl):        """处理头文档"""        HTMLParser.handle_decl(self, decl)        print(decl)    def handle_starttag(self, tag, attrs):        """处理起始标签"""        HTMLParser.handle_starttag(self, tag, attrs)        if not HTMLParser.get_starttag_text(self).endswith("/>"):            print("<"+tag+">")    def handle_data(self, data):        """处理文本元素"""        HTMLParser.handle_data(self, data)        print(data)    def handle_endtag(self, tag):        """处理结束标签"""        HTMLParser.handle_endtag(self, tag)        if not HTMLParser.get_starttag_text(self).endswith("/>"):            print("
     ")    def handle_startendtag(self, tag, attrs):        """处理自闭标签"""        HTMLParser.handle_startendtag(self, tag, attrs)        print(HTMLParser.get_starttag_text(self))    def handle_comment(self, data):        """处理注释"""        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()