Python组XML解析

我编写了一个简单的脚本，使用BeautifulSoup模块解析XML聊天日志。标准的soup.prettify（）可以正常工作，只是聊天日志中有很多绒毛。您可以在下面看到脚本代码和我正在使用的一些XML输入文件：

代码

import sys
from BeautifulSoup import BeautifulSoup as Soup

def parseLog(file):
    file = sys.argv[1]
    handler = open(file).read()
    soup = Soup(handler)
    print soup.prettify()

if __name__ == "__main__":
    parseLog(sys.argv[1])

测试XML输入

<?xml version="1.0"?>
<?xml-stylesheet type='text/xsl' href='MessageLog.xsl'?>
<Log FirstSessionID="1" LastSessionID="2"><Message Date="10/31/2010" Time="3:43:48 PM"     DateTime="2010-10-31T20:43:48.937Z" SessionID="1"><From><User FriendlyName="Jon"/></From>    <To><User FriendlyName="Bill"/></To><Text Style="font-family:Segoe UI; color:#000000; ">hey, what's up?</Text></Message>
<Message Date="10/31/2010" Time="3:44:03 PM" DateTime="2010-10-15T20:44:03.421Z" SessionID="1"><From><User FriendlyName="Jon"/></From><To><User FriendlyName="Bill"/></To><Text Style="font-family:Segoe UI; color:#000000; ">Got your message</Text></Message> 
<Message Date="10/31/2010" Time="3:44:31 PM" DateTime="2010-10-15T20:44:31.390Z" SessionID="2"><From><User FriendlyName="Bill"/></From><To><User FriendlyName="Jon"/></To><Text Style="font-family:Segoe UI; color:#000000; ">oh, great</Text></Message>
<Message Date="10/31/2010" Time="3:44:59 PM" DateTime="2010-10-15T20:44:59.281Z" SessionID="2"><From><User FriendlyName="Bill"/></From><To><User FriendlyName="Jon"/></To><Text Style="font-family:Segoe UI; color:#000000; ">hey, i gotta run</Text></Message>

嘿，怎么了？
收到你的留言了吗
哦，太好了
嘿，我得走了

我希望能够将其输出为如下格式，或者至少是比纯XML更可读的格式：

乔恩： 嘿，怎么了？[10/31/10@3:43]

乔恩： 收到你的留言[10/31/10@3:44p]

法案： 哦，太好了[10/31/10@3:44p]

---

等等。。我听说过一些关于PyParsing模块的不错的东西，也许是时候试一试了。

我建议使用内置模块。BeautifulSoup旨在处理格式不合适的代码，如被黑客攻击的HTML，而XML格式良好，可由XML库读取

---

更新：我最近在这里读到的一些文章建议将lxml作为一个基于并增强标准ElementTree的库。

BeautifulSoup使获取xml中的属性和值变得非常简单。我调整了示例函数以使用这些功能

import sys
from BeautifulSoup import BeautifulSoup as Soup

def parseLog(file):
    file = sys.argv[1]
    handler = open(file).read()
    soup = Soup(handler)
    for message in soup.findAll('message'):
        msg_attrs = dict(message.attrs)
        f_user = message.find('from').user
        f_user_dict = dict(f_user.attrs)
        print "%s: %s [%s @ %s]" % (f_user_dict[u'friendlyname'],
                                    message.find('text').decodeContents(),
                                    msg_attrs[u'date'],
                                    msg_attrs[u'time'])


if __name__ == "__main__":
    parseLog(sys.argv[1])

---

为什么不使用XSLT？那将是最简单的。（事实上：我看到有一个？xml样式表指令——默认样式表是什么样子的？）我可能并不总是有XSL样式表可用，因此需要一些东西来将日志格式化为更可读的东西。如果我可以使用与我现有的样式表相同的样式表，那么这也可能会起作用。这非常有效。从f_user_dict=dict（f_user.attrs）的字典中到底包含了什么？我假设属性，我将不得不玩弄这一部分，看看到底有什么。再次感谢！是的，对于所有元素，el.attrs将包含xml标记属性的元组列表。对任何元组调用dict都会将其放入字典。哦，我只是想澄清一下，对元组列表调用dict将返回一个字典，而不是一个元组：dict（[（（'hello'，'bye'），（'foo'，'bar'）]）我使用Beautiful Soup解析XML。文档中写道：“Beauty Soup是一个Python库，用于从HTML和XML文件中提取数据。”Beauty Soup将使用您告诉它的任何解析器，包括lxml。（请参阅）我最近看到了大量字符串生成的格式错误的XML。