xml解析
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。而HTML被用来显示数据。
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。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。Python对XML解析有三种方式：SAX，DOM，以及ElementTree。
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。
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。
ElementTree(元素树)
ElementTree就像一个轻量级的DOM，具有方便友好的API。代码可用性好，速度快，消耗内存少。
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。本文使用用ElementTree方式，以名称规范档的下载文本为例。
在ElementTree中，具体节点的方法主要包括
tag(标签) attrib(属性) find(寻找节点) set(设置属性) iter(遍历节点) get(获取节点)
解析XML
from xml.etree import ElementTree as ET
#第一种方式
# 打开文件，读取XML内容
str_xml = open('xo.xml', 'r').read()
# 将字符串解析成xml特殊对象，root代指xml文件的根节点
root = ET.XML(str_xml)
from xml.etree import ElementTree as ET
#第二种方式
# 直接解析xml文件
tree = ET.parse("xo.xml")
# 获取xml文件的根节点
root = tree.getroot()操作XML
遍历XML文档的所有内容
from xml.etree import ElementTree as ET
# 直接解析xml文件
tree = ET.parse("test.xml")
# 获取xml文件的根节点
root = tree.getroot()
### 操作
# 顶层标签
print(root.tag)
# 遍历XML文档的第二层
for child in root:
# 第二层节点的标签名称和标签属性
print(child.tag, child.attrib)
# 遍历XML文档的第三层
for i in child:
# 第二层节点的标签内容
print(i.text)遍历XML中指定的节点
from xml.etree import ElementTree as ET
# 直接解析xml文件
tree = ET.parse("test.xml")
# 获取xml文件的根节点
root = tree.getroot()
# 顶层标签
print(root.tag)
# 遍历XML中所有的属性名节点
for node in root.iter('属性名'):
# 节点的标签名称和内容
print(node.text)修改节点内容
xml解析中，要注意修改或者写出XML文件都是在内存中进行，如果要在文件中保存修改，要使用tree的write()方法。set()可设置属性，remove()可删除制定节点，例：
# 直接解析xml文件
tree = ET.parse("xo.xml")
# 获取xml文件的根节点
root = tree.getroot()
############ 操作 ############
# 顶层标签
print(root.tag)
# 循环所有的year节点
for node in root.iter('year'):
# 将year节点中的内容自增一
new_year = int(node.text) + 1
node.text = str(new_year)
# 设置属性
node.set('name', 'alex')
node.set('age', '18')
# 删除属性
del node.attrib['name']
############ 保存文件 ############
tree.write("newnew.xml", encoding='utf-8')创建XML文档
方式一
from xml.etree import ElementTree as ET
# 创建根节点
root = ET.Element("famliy")
# 创建节点大儿子
son1 = ET.Element('son', {'name': '儿1'})
# 创建小儿子
son2 = ET.Element('son', {"name": '儿2'})
# 在大儿子中创建两个孙子
grandson1 = ET.Element('grandson', {'name': '儿11'})
grandson2 = ET.Element('grandson', {'name': '儿12'})
son1.append(grandson1)
son1.append(grandson2)
# 把儿子添加到根节点中
root.append(son1)
root.append(son1)
tree = ET.ElementTree(root)
tree.write('oooo.xml',encoding='utf-8', short_empty_elements=False)方式二
from xml.etree import ElementTree as ET
# 创建根节点
root = ET.Element("famliy")
# 创建大儿子
# son1 = ET.Element('son', {'name': '儿1'})
son1 = root.makeelement('son', {'name': '儿1'})
# 创建小儿子
# son2 = ET.Element('son', {"name": '儿2'})
son2 = root.makeelement('son', {"name": '儿2'})
# 在大儿子中创建两个孙子
# grandson1 = ET.Element('grandson', {'name': '儿11'})
grandson1 = son1.makeelement('grandson', {'name': '儿11'})
# grandson2 = ET.Element('grandson', {'name': '儿12'})
grandson2 = son1.makeelement('grandson', {'name': '儿12'})
son1.append(grandson1)
son1.append(grandson2)
# 把儿子添加到根节点中
root.append(son1)
root.append(son1)
tree = ET.ElementTree(root)
tree.write('oooo.xml',encoding='utf-8', short_empty_elements=False)方式三
from xml.etree import ElementTree as ET
# 创建根节点
root = ET.Element("famliy")
# 创建节点大儿子
son1 = ET.SubElement(root, "son", attrib={'name': '儿1'})
# 创建小儿子
son2 = ET.SubElement(root, "son", attrib={"name": "儿2"})
# 在大儿子中创建一个孙子
grandson1 = ET.SubElement(son1, "age", attrib={'name': '儿11'})
grandson1.text = '孙子'
et = ET.ElementTree(root) #生成文档对象
et.write("test.xml", encoding="utf-8", xml_declaration=True, short_empty_elements=False)名称规范档文本
名称规范档没有提供批量下载同一人物的接口，在数据量大的实验需求中，设计实现了处理批量文本的方法。
首先，在下载的同一文档中包含不同ID号的多条人物数据，分别以 开头，以结尾，因此第一步，逐行读取文本，匹配结尾标识符“\n”，匹配成功则将先前读取的xml文档写出到新的文件，并给与新的命名以区别不同文本，实现代码如下：
def file_seperate(file_path,to_path):
for fileName in os.listdir(file_path):
f1 = open(file_path+"/"+fileName,'r',encoding="utf-8")
# print(file_path+"/"+fileName)
text = ""
num = 1
for content in f1.readlines():
text += content
if "</collection>"+"\n" == content:
num_str = str(num)
f2 = open(to_path + "/0" + num_str + fileName ,'w',encoding="utf-8")
f2.write(text)
f2.close()
text = ""
num = num + 1
f1.close()解析结果可得（以沈从文为例）01沈从文.xml、02沈从文.xml、03沈从文.xml，进一步分析，在每一篇XML文件，要获取具体属性值构建目标文本集，为进一步的数据处理提供依据。根据研究需要，获取xml文件中的collection>>record>>datafield>>subfield字段，并限定具体属性的subfield字段，如{'code': 'a'}、{'code': 'f'}、 {'code': '3'}、{'code': 'u'}，循环读取进行匹配，匹配成功则构建新的目标文本，与原文本同名。实现代码如下：
def xml_parse(file_path,Target_path):
for fileName in os.listdir(file_path):
file = file_path+"/"+fileName
text = ''
tree = ET.parse(file)
root = tree.getroot()
for node in root:
for node_node in node:
if node_node.attrib == {'tag': '200', 'ind1': ' ', 'ind2': '0'} or node_node.attrib =={'tag': '400', 'ind1': ' ', 'ind2': '0'} or node_node.attrib =={'tag': '810', 'ind1': ' ', 'ind2': ' '} or node_node.attrib =={'tag': '830', 'ind1': ' ', 'ind2': ' '} or node_node.attrib =={'tag': '856', 'ind1': '4', 'ind2': ' '}:
for subfield in node_node:
if subfield.attrib == {'code': 'a'} or subfield.attrib == {'code': 'f'} or subfield.attrib == {'code': '3'} or subfield.attrib == {'code': 'u'}:
text = text + subfield.text
print(text)
f = open(Target_path+"/"+fileName,'w',encoding='utf-8')
f.write(text)
f.close()主函数如下，分别设定原始路径，处理文件路径，目标文件路径：
if __name__ == "__main__":
path_Source = "D:/study/name_cluster/test/test02/data-Source"
path_Separate = "D:/study/name_cluster/test/test02/data-Separate"
path_Target = "D:/study/name_cluster/test/test02/data-Target"
file_seperate(path_Source,path_Separate)
xml_parse(path_Separate,path_Target)
更多精彩
