问题

你想从一个简单的 XML 文档中提取数据。

解决方案

可以使用 xml.etree.ElementTree 模块从简单的 XML 文档中提取数据。为了演示，假设你想解析 Planet Python 上的 RSS 源。下面是相应的代码：

from urllib.request import urlopen
from xml.etree.ElementTree import parse
# Download the RSS feed and parse it
u = urlopen('http://planet.python.org/rss20.xml')
doc = parse(u)
# Extract and output tags of interest
for item in doc.iterfind('channel/item'):
        title = item.findtext('title')
        date = item.findtext('pubDate')
        link = item.findtext('link')
        print(title)
        print(date)
        print(link)
        #print()

运行上面的代码，输出结果大多类似这样：

Steve Holden: Python for Data Analysis
Mon, 19 Nov 2012 02:13:51 +0000
http://holdenweb.blogspot.com/2012/11/python-for-data-analysis.html
Vasudev Ram: The Python Data model (for v2 and v3)
Sun, 18 Nov 2012 22:06:47 +0000
http://jugad2.blogspot.com/2012/11/the-python-data-model.html
Python Diary: Been playing around with Object Databases
Sun, 18 Nov 2012 20:40:29 +0000
http://www.pythondiary.com/blog/Nov.18,2012/been-...-object-databases.html
Vasudev Ram: Wakari, Scientific Python in the cloud
Sun, 18 Nov 2012 20:19:41 +0000
http://jugad2.blogspot.com/2012/11/wakari-scientific-python-in-cloud.html
Jesse Jiryu Davis: Toro: synchronization primitives for Tornado coroutines
Sun, 18 Nov 2012 20:17:49 +0000
http://feedproxy.google.com/~r/EmptysquarePython/~3/_DOZT2Kd0hQ/

很显然，如果你想做进一步的处理，你需要替换 print() 语句来完成其他有趣的事。

讨论

    在很多应用程序中处理 XML 编码格式的数据是很常见的。不仅因为 XML 在Internet 上面已经被广泛应用于数据交换，同时它也是一种存储应用程序数据的常用格式 (比如字处理，音乐库等)。接下来的讨论会先假定读者已经对 XML 基础比较熟悉了。
    在很多情况下，当使用 XML 来仅仅存储数据的时候，对应的文档结构非常紧凑并且直观。例如，上面例子中的 RSS 订阅源类似于下面的格式:

<?xml version="1.0"?>
<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/">
<channel>
<title>Planet Python</title>
<link>http://planet.python.org/</link>
<language>en</language>
<description>Planet Python - http://planet.python.org/</description>
<item>
<title>Steve Holden: Python for Data Analysis</title>
<guid>http://holdenweb.blogspot.com/...-data-analysis.html</guid>
<link>http://holdenweb.blogspot.com/...-data-analysis.html</link>
<description>...</description>
<pubDate>Mon, 19 Nov 2012 02:13:51 +0000</pubDate>
</item>
<item>
<title>Vasudev Ram: The Python Data model (for v2 and v3)</title>
<guid>http://jugad2.blogspot.com/...-data-model.html</guid>
<link>http://jugad2.blogspot.com/...-data-model.html</link>
<description>...</description>
<pubDate>Sun, 18 Nov 2012 22:06:47 +0000</pubDate>
</item>
<item>
<title>Python Diary: Been playing around with Object Databases</
,→ title>
<guid>http://www.pythondiary.com/...-object-databases.html</guid>
<link>http://www.pythondiary.com/...-object-databases.html</link>
<description>...</description>
<pubDate>Sun, 18 Nov 2012 20:40:29 +0000</pubDate>
</item>
...
</channel>
</rss>

    xml.etree.ElementTree.parse() 函数解析整个 XML 文档并将其转换成一个文档对象。然后，你就能使用 find() 、iterfind() 和 findtext() 等方法来搜索特定的XML 元素了。这些函数的参数就是某个指定的标签名，例如 channel/item 或 title 。
    每次指定某个标签时，你需要遍历整个文档结构。每次搜索操作会从一个起始元素开始进行。同样，每次操作所指定的标签名也是起始元素的相对路径。例如，执行

doc.iterfind('channel/item') 来搜索所有在 channel 元素下面的 item 元素。doc代表文档的最顶层 (也就是第一级的 rss 元素)。然后接下来的调用 item.findtext()会从已找到的 item 元素位置开始搜索。

    ElementTree 模块中的每个元素有一些重要的属性和方法，在解析的时候非常有用。tag 属性包含了标签的名字，text 属性包含了内部的文本，而 get() 方法能获取属性值。例如：

image.png

    有一点要强调的是 xml.etree.ElementTree 并不是 XML 解析的唯一方法。对于更高级的应用程序，你需要考虑使用 lxml 。它使用了和 ElementTree 同样的编程接口，因此上面的例子同样也适用于 lxml。你只需要将刚开始的 import 语句换成 fromlxml.etree import parse 就行了。lxml 完全遵循XML 标准，并且速度也非常快，同时还支持验证，XSLT，和 XPath 等特性。