Python：使用基于事件驱动的SAX解析XML

Python：使用基于事件驱动的SAX解析XML
SAX的特点：
- 是基于事件的 API
- 在一个比 DOM 低的级别上操作
- 为您提供比 DOM 更多的控制
- 几乎总是比 DOM 更有效率
- 但不幸的是，需要比 DOM 更多的工作
基于对象和基于事件的接口

您可能已经知道语法分析器有两类接口－基于对象的（如：DOM）和基于事件（如：SAX）的接口。

DOM是基于对象的语法分析器的标准 API。

作为基于对象的接口，DOM 通过在内存中显示地构建对象树来与应用程序通信。对象树是 XML 文件中元素树的精确映射。

DOM 易于学习和使用，因为它与基本 XML 文档紧密匹配。然而，对于大多数应用程序，处理 XML 文档只是其众多任务中的一种。例如，记帐软件包可能导入 XML 发票，但这不是其主要活动。计算帐户余额、跟踪支出以及使付款与发票匹配才是主要活动。记帐软件包可能已经具有一个数据结构（最有可能是数据库）。DOM 模型不太适合记帐应用程序，因为在那种情况下，应用程序必须在内存中维护数据的两份副本（一个是 DOM 树，另一个是应用程序自己的结构）。至少，在内存维护两次数据会使效率下降。对于桌面应用程序来说，这可能不是主要问题，但是它可能导致服务器瘫痪。

对于不以 XML 为中心的应用程序，SAX 是明智的选择。实际上，SAX 并不在内存中显式地构建文档树。它使应用程序能用最有效率的方法存储数据。

基于事件驱动

基于事件的语法分析器将事件发送给应用程序。这些事件类似于用户界面事件，例如，浏览器中的 ONCLICK 事件或者 Java 中的 AWT/Swing 事件。

事件通知应用程序发生了某件事并需要应用程序作出反应。在浏览器中，通常为响应用户操作而生成事件：当用户单击按钮时，按钮产生一个 ONCLICK 事件。

在 XML 语法分析器中，事件与用户操作无关，而与正在读取的 XML 文档中的元素有关。有对于以下方面的事件：
- 元素开始和结束标记
- 元素内容
- 实体
- 语法分析错误
图 3 显示语法分析器在读取文档时如何生成事件。

清单 1 显示了 XML 格式的清单。它详细列出了不同公司对 XML 培训的收费。图 4 显示了价目表文档的结构。

清单 1. pricelist.xml
```
<?xml version="1.0"?>
<xbe:price-list xmlns:xbe="http://www.psol.com/xbe2/listing8.1">
   <xbe:product>XML Training</xbe:product>
   <xbe:price-quote price="999.00"  vendor="Playfield Training"/>
   <xbe:price-quote price="699.00"  vendor="XMLi"/>
   <xbe:price-quote price="799.00"  vendor="WriteIT"/>
   <xbe:price-quote price="1999.00" vendor="Emailaholic"/>
</xbe:price-list>
```
图 4. 价目表的结构

XML 语法分析器读取并解释该文档。每当它识别出文档中的某些内容，就会生成一个事件。

读取清单 1 时，语法分析器首先读取 XML 声明并生成文档开始事件。当它遇到第一个开始标记 <xbe:price-list> 时，语法分析器生成它的第二个事件来通知应用程序已经遇到了 price-list 元素。

接下来，语法分析器看到 product 元素的开始标记（为简单起见，在本文其余部分，我将忽略名称空格和缩进空格）并生成它的第三个事件。

在开始标记后，语法分析器看到 product 元素的内容： XML Training ，它产生另一个事件。

下一个事件指出 product 元素的结束标记。语法分析器已经完成了对 product 元素的语法分析。到目前为止，它已经激发了 5 个事件： product 元素的 3 个事件，一个文档开始事件和一个 price-list 开始标记事件。

语法分析器现在移动到第一个 price-quote 元素。它为每个 price-quote 元素生成两个事件：一个开始标记事件和一个结束标记事件。

是的，即使将结束标记简化为开始标记中的 / 字符，语法分析器仍然生成一个结束事件。

有 4 个 price-quote 元素，所以语法分析器在分析它们时生成 8 个事件。最后，语法分析器遇到 price-list 的结束标记并生成它的最后两个事件：结束 price-list 和文档结束。

如图 5 所示，这些事件共同向应用程序描述了文档树。开始标记事件意味着“转到树的下一层”，而结束标记元素意味着“转到树的上一层”。

图 5. 语法分析器如何隐含地构建树

请注意，语法分析器传递了足够信息以构建 XML 文档的文档树，但是与 DOM 语法分析器不同，它并不显式地构建该树。

为何选择SAE而不是DOM

现在，我敢肯定你已经糊涂了。应该使用哪一种类型的 API，应该何时使用它－ SAX 还是 DOM？不幸的是，这个问题没有明确的答案。这两种 API 中没有一种在本质上更好；他们适用于不同的需求。

经验法则是在需要更多控制时使用 SAX；要增加方便性时，则使用 DOM。

例如，DOM 在脚本语言中很流行。

采用 SAX 的主要原因是效率。SAX 比 DOM 做的事要少，但提供了对语法分析器的更多控制。当然，如果语法分析器的工作减少，则意味着您（开发者）有更多的工作要做。

而且，正如我们已讨论的，SAX 比 DOM 消耗的资源要少，这只是因为它不需要构建文档树。

在 XML 早期，DOM 得益于 W3C 批准的官方 API 这一身份。逐渐地，开发者选择了功能性而放弃了方便性，并转向了 SAX。

SAX 的主要限制是它无法向后浏览文档。实际上，激发一个事件后，语法分析器就将其忘记。如您将看到的，应用程序必须显式地缓冲其感兴趣的事件。

使用Python解析XML的时候，需要 import xml.sax 和 xml.sax.handler

xml.sax

xml.sax提供了3个函数以及 SAX 异常类

make_parser方法

创建并返回一个SAX XMLReader对象

xml.sax.make_parser([parser_list])
- parser_list - 可选参数，解析器列表
parse方法

创建一个 SAX 解析器并解析xml文档

xml.sax.parse(filename_or_stream, handler[, error_handler])　　
- file_or_stream：xml文件名
- handler：必须是一个ContentHandler的对象
- error_handler：如果指定该参数，errorhandler必须是一个SAX ErrorHandler对象
parseString方法

创建一个XML解析器并解析xml字符串

xml.sax.parseString(string, handler[, error_handler])
- string： xml字符串
- handler：必须是一个ContentHandler的对象
- error_handler：如果指定该参数，errorhandler必须是一个SAX ErrorHandler对象
ContentHandler类方法介绍
- characters(content)方法
  - 调用时机
  - 从行开始，遇到标签之前，存在字符，content的值为这些字符串。
  - 从一个标签，遇到下一个标签之前，存在字符，content的值为这些字符串。
  - 从一个标签，遇到行结束符之前，存在字符，content的值为这些字符串。
  - 标签可以是开始标签，也可以是结束标签。
- startDocument()方法：文档启动的时候调用。
- endDocument()方法：解析器到达文档结尾时调用。
- startElement(name, attrs)方法：遇到XML开始标签时调用，name是标签的名字，attrs是标签的属性值字典。
- endElement(name)方法：遇到XML结束标签时调用。
Python 解析XML实例

要解析的XML
```
 1 <?xml version="1.0"?>
 2 <collection shelf="New Arrivals">
 3     <movie title="Enemy Behind">
 4        <type>War, Thriller</type>
 5        <format>DVD</format>
 6        <year>2003</year>
 7        <rating>PG</rating>
 8        <stars>10</stars>
 9        <description>Talk about a US-Japan war</description>
10     </movie>
11     <movie title="Transformers">
12        <type>Anime, Science Fiction</type>
13        <format>DVD</format>
14        <year>1989</year>
15        <rating>R</rating>
16        <stars>8</stars>
17        <description>A schientific fiction</description>
18     </movie>
19        <movie title="Trigun">
20        <type>Anime, Action</type>
21        <format>DVD</format>
22        <episodes>4</episodes>
23        <rating>PG</rating>
24        <stars>10</stars>
25        <description>Vash the Stampede!</description>
26     </movie>
27     <movie title="Ishtar">
28        <type>Comedy</type>
29        <format>VHS</format>
30        <rating>PG</rating>
31        <stars>2</stars>
32        <description>Viewable boredom</description>
33     </movie>
34 </collection>
```
使用SAX解析XML的Python源代码
```
 1 #!/usr/bin/python
 2 
 3 import xml.sax
 4 
 5 class MovieHandler( xml.sax.ContentHandler ):
 6    def __init__(self):
 7       self.CurrentData = ""
 8       self.type = ""
 9       self.format = ""
10       self.year = ""
11       self.rating = ""
12       self.stars = ""
13       self.description = ""
14 
15    # 元素开始事件处理
16    def startElement(self, tag, attributes):
17       self.CurrentData = tag
18       if tag == "movie":
19          print "*****Movie*****"
20          title = attributes["title"]
21          print "Title:", title
22 
23    # 元素结束事件处理
24    def endElement(self, tag):
25       if self.CurrentData == "type":
26          print "Type:", self.type
27       elif self.CurrentData == "format":
28          print "Format:", self.format
29       elif self.CurrentData == "year":
30          print "Year:", self.year
31       elif self.CurrentData == "rating":
32          print "Rating:", self.rating
33       elif self.CurrentData == "stars":
34          print "Stars:", self.stars
35       elif self.CurrentData == "description":
36          print "Description:", self.description
37       self.CurrentData = ""
38 
39    # 内容事件处理
40    def characters(self, content):
41       if self.CurrentData == "type":
42          self.type = content
43       elif self.CurrentData == "format":
44          self.format = content
45       elif self.CurrentData == "year":
46          self.year = content
47       elif self.CurrentData == "rating":
48          self.rating = content
49       elif self.CurrentData == "stars":
50          self.stars = content
51       elif self.CurrentData == "description":
52          self.description = content
53   
54 if ( __name__ == "__main__"):
55    
56    # 创建一个 XMLReader
57    parser = xml.sax.make_parser()
58    # turn off namepsaces
59    parser.setFeature(xml.sax.handler.feature_namespaces, 0)
60 
61    # 重写 ContextHandler
62    Handler = MovieHandler()
63    parser.setContentHandler( Handler )
64    
65    parser.parse("movies.xml")
```
执行结果:
```
*****Movie*****
Title: Enemy Behind
Type: War, Thriller
Format: DVD
Year: 2003
Rating: PG
Stars: 10
Description: Talk about a US-Japan war
*****Movie*****
Title: Transformers
Type: Anime, Science Fiction
Format: DVD
Year: 1989
Rating: R
Stars: 8
Description: A schientific fiction
*****Movie*****
Title: Trigun
Type: Anime, Action
Format: DVD
Rating: PG
Stars: 10
Description: Vash the Stampede!
*****Movie*****
Title: Ishtar
Type: Comedy
Format: VHS
Rating: PG
Stars: 2
Description: Viewable boredom
```
参考文章

SAX，功能强大的 API

python XML解析

推荐书籍

《Python Cookbook》第12章：XML处理
相关阅读:
字典对象的 Pythonic 用法（上篇：转载）
代码这样写更优雅（Python 版）(转载)
[Python爬虫] 之二十七：Selenium +phantomjs 利用 pyquery抓取今日头条视频
 [Python爬虫] 之二十六：Selenium +phantomjs 利用 pyquery抓取智能电视网站图片信息
 [Python爬虫] 之二十五：Selenium +phantomjs 利用 pyquery抓取今日头条网数据
 [Python爬虫] 之二十四：Selenium +phantomjs 利用 pyquery抓取中广互联网数据
 [Python爬虫] 之二十三：Selenium +phantomjs 利用 pyquery抓取智能电视网数据
 MOVE降低高水位 HWM
select查询语句执行顺序
 Oracle表空间维护总结
原文地址：https://www.cnblogs.com/hongfei/p/python-xml-sax.html

Python：使用基于事件驱动的SAX解析XML

SAX的特点：

基于对象和基于事件的接口

基于事件驱动

清单 1. pricelist.xml

图 4. 价目表的结构

图 5. 语法分析器如何隐含地构建树

为何选择SAE而不是DOM

xml.sax

make_parser方法

parse方法

parseString方法

ContentHandler类方法介绍

Python 解析XML实例

使用SAX解析XML的Python源代码

参考文章

推荐书籍