[python] python xml ElementTree
python xml ElementTree
xml示例
<?xml version="1.0" encoding="utf-8"?>
<data>
<country name="Liechtenstein">
<rank>1</rank>
<year>2008</year>
<gdppc>141100</gdppc>
<neighbor name="Austria" direction="E"/>
<neighbor name="Switzerland" direction="W"/>
</country>
<country name="Singapore">
<rank>4</rank>
<year>2011</year>
<gdppc>59900</gdppc>
<neighbor name="Malaysia" direction="N"/>
</country>
</data>
XML是中结构化数据形式，在ET中使用ElementTree代表整个XML文档，并视其为一棵树，Element代表这个文档树中的单个节点。
解析xml
从硬盘读取xml
(cElementTree为c版本的，速度快，ElementTree为python版本，速度稍慢，有c版本就用c的）
try:
import xml.etree.cElementTree as ET
except ImportError:
import xml.etree.ElementTree as ET
tree = ET.parse(self.tempfilename) #打开xml文档
root = tree.getroot() #拿到根节点
element对象属性
- tag： string对象，表示数据代表的种类。
- attrib： dictionary对象，表示附有的属性。
- text： string对象，表示element的内容。
- tail： string对象，表示element闭合之后的尾迹。
- 若干子元素（child elements）。
节点操作
Element.iter(tag=None)： [return list] 遍历 该Element所有后代，指定tag进行遍历寻找。
Element.findall(path)：[return list]查找当前元素下tag或path能够匹配的 直系节点。
Element.find(path)：[return element]查找当前元素下tag或path能够匹配的 首个直系节点。
Element.text: 获取当前元素的text值。
Element.get(key, default=None)：获取元素指定key对应的属性值，如果没有该属性，则返回default值。
>>> for child in root:
... print child.tag, child.attrib
...
country {\'name\': \'Liechtenstein\'}
country {\'name\': \'Singapore\'}
country {\'name\': \'Panama\'}
>>> for neighbor in root.iter(\'neighbor\'):
... print neighbor.attrib
...
{\'name\': \'Austria\', \'direction\': \'E\'}
{\'name\': \'Switzerland\', \'direction\': \'W\'}
{\'name\': \'Malaysia\', \'direction\': \'N\'}
{\'name\': \'Costa Rica\', \'direction\': \'W\'}
{\'name\': \'Colombia\', \'direction\': \'E\'}
本次没有进行写操作，所以没研究，先略过。
xml编码问题
这次被python的编码坑了一次。
在网上发现了这么一段话：
python中dom和ElementTree只支持utf-8文件的解析，所以在解析之前不管用什么方法，最好确保文件是utf-8格式的，话说python的文本操作通常用utf-8都是没什么问题的，其它编码方式多多少少都有些麻烦，所以生成文件的时候尽量少用中文编码！
使用utf-8，如果涉及跨平台的时候不要带BOM，也可以采用GBK（尽量不用），但就是 不能使用utf16。
然而这次要批量处理的xml居然就是utf-16的，心中一万只羊驼跑过！！！
utf-16编码直接按照上述方法Load进来，会报错：
ParseError: encoding specified in XML declaration is incorrect: line 1, column 30
先将xml解析成utf8格式，然后替代第一行的encoding格式，然后保存一个新文件，提供后续解析。
import codecs
f = codecs.open(file_name, \'rb\',\'utf-16\')
text = f.read().encode(\'utf-8\')
text = text.replace(\'<?xml version="1.0" encoding="utf-16"?>\',\'<?xml version="1.0" encoding="utf-8"?>\')
f.close()
tempfilename = file_name.split(\'.xml\')[0]+\'temp.xml\'
f = open(tempfilename, \'wb\')
f.write(text)
f.close()
无意之间用查了一下文件的编码，发现我要处理的xml编码是用utf-8，但是头文件写的是utf-16,所以我上边就不需要codecs.open,直接用open就好了，再把头replace。
linux vim命令 :set fileencoding
Reference
http://blog.csdn.net/gingerredjade/article/details/21944675
http://www.cnblogs.com/CheeseZH/p/4026686.html
http://www.jb51.net/article/67120.htm
http://blog.csdn.net/whzhcahzxh/article/details/33735293
http://blog.csdn.net/jnbbwyth/article/details/6991425/
http://www.cnblogs.com/findumars/p/3620076.html
http://blog.csdn.net/guang11cheng/article/details/7491715