代码之家 › 专栏 › 技术社区 › Sergey Golovchenko

用python处理XML

xml python

Sergey Golovchenko · 技术社区 · 17 年前

我需要删除XML标记之间的空白,例如,如果原始XML如下所示:

<node1>
    <node2>
        <node3>foo</node3>
    </node2>
</node1>

我希望最终结果是 嘎吱作响的 到单线:

<node1><node2><node3>foo</node3></node2></node1>

请注意,我将无法控制XML结构,因此解决方案应该足够通用,能够处理任何有效的XML。另外,XML可能包含CDATA块,我需要从中排除这些块。 嘎吱嘎吱 让它们保持原样。

到目前为止,我有两个想法:(1)将XML解析为文本,并查找标记的开始和结束位置<和>(2)另一种方法是加载XML文档并逐节点执行,然后打印出新的通过连接标记来记录。

我认为这两种方法都可以,但我不想在这里重新设计方向盘,所以可能有一个Python库已经做了类似的事情?如果没有,那么在推出我自己的产品时需要注意的任何问题/陷阱 克朗彻 ?有什么建议吗?

编辑感谢大家的回答/建议,Triptych和van Gale的解决方案对我都有效,并且完全满足我的需要。希望我能接受这两个答案。

4 回复 | 直到 17 年前

Kenan Banks 17 年前

很简单很漂亮的汤。

此解决方案假定可以从字符数据的尾部去除空白。
例子: <foo> bar </foo> 变成 <foo>bar</foo>

它将正确地忽略注释和CDATA。

import BeautifulSoup

s = """
<node1>
    <node2>
        <node3>foo</node3>
    </node2>
    <node3>
      <!-- I'm a comment! Leave me be! -->
    </node3>
    <node4>
    <![CDATA[
      I'm CDATA!  Changing me would be bad!
    ]]>
    </node4>
</node1>
"""

soup = BeautifulSoup.BeautifulStoneSoup(s)

for t in soup.findAll(text=True):
   if type(t) is BeautifulSoup.NavigableString: # Ignores comments and CDATA
      t.replaceWith(t.strip())

print soup

Van Gale 17 年前

这很容易用lxml处理(注意:此特定功能不在elementtree中):

from lxml import etree

parser = etree.XMLParser(remove_blank_text=True)

foo = """<node1>
    <node2>
        <node3>foo  </node3>
    </node2>
</node1>"""

bar = etree.XML(foo, parser)
print etree.tostring(bar,pretty_print=False,with_tail=True)

结果:

<node1><node2><node3>foo  </node3></node2></node1>

编辑: triptych的回答提醒了我关于CDATA的要求,因此创建解析器对象的行实际上应该如下所示:

parser = etree.XMLParser(remove_blank_text=True, strip_cdata=False)

Johannes Weiss 17 年前

我会使用XSLT:

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
    <xsl:output method="xml" encoding="UTF-8" omit-xml-declaration="yes"/>
    <xsl:strip-space elements="*"/>

    <xsl:template match="*">
        <xsl:copy>
            <xsl:copy-of select="@*" />
            <xsl:apply-templates />
        </xsl:copy>
    </xsl:template>
</xsl:stylesheet>

这应该能解决问题。

在python中可以使用 lxml (direct link to sample on homepage) 去改变它。

对于某些测试,请使用 xsltproc 样品:

xsltproc test.xsl  test.xml

哪里 test.xsl 是上面的文件吗? test.xml 您的XML文件。

David Z 17 年前

不是一个真正的解决方案,但既然您要求提供建议:我建议您不要自己进行解析(除非您想学习如何编写复杂的解析器),因为正如您所说,并不是所有的空格都应该被删除。不仅有CDATA块,还有带有“xml:space=preserve”属性的元素,这些属性与 <pre> 在XHTML中(其中所包含的空白实际上有意义),编写一个能够识别这些元素并只保留空白的解析器是可能的,但不太愉快。

我将使用解析方法,即加载文档并逐节点打印出来。这样,您就可以很容易地识别哪些节点可以去掉空间,哪些节点不能去掉空间。python标准库中有一些模块,我从未使用过这些模块;-)这些模块可能对您有用……尝试 xml.dom 或者我不确定你能不能 xml.parsers.expat .