Python BeautifulSoup XML解析
我写了一个简单的脚本来使用BeautifulSoup模块解析XML聊天日志。标准soup.prettify()可以正常工作,除非聊天记录中有很多绒毛。你可以同时看到脚本代码和一些我在下面工作XML输入文件:Python BeautifulSoup XML解析
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>
我希望能够将其输出为如下所示的格式,或者至少比纯XML更具可读性:
乔恩: 嘿,怎么了? [10年10月31日@ 3:43P]
乔恩: 收到您的来信[10年10月31日@ 3:44P]
比尔: 哦,太棒了[10年10月31日@ 3 :44p]
etc ..我听说PyParsing模块的一些体面的事情,也许是时候给它一个镜头了。
BeautifulSoup使得获取xml中的属性和值非常简单。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])
这个效果很好。什么是从 字典包含f_user_dict = dict(f_user.attrs) 我假设的属性,我将不得不玩弄那件作品,看看到底有什么。再次感谢! – 2010-11-05 13:26:30
对于所有元素,el.attrs将包含xml标记属性的元组列表。调用任何元组的字典将使其成为一个字典。 – dcolish 2010-11-05 13:56:09
哦,只是想澄清一下,在元组列表上调用dict将返回一个字典,而不是单个元组:dict([('hello','goodbye'),('foo','bar')])) – dcolish 2010-11-05 14:07:28
我推荐使用内置的ElementTree模块。 BeautifulSoup旨在处理不良形式的代码,例如被破解的HTML,而XML格式良好并且意味着可以被XML库读取。
更新:我最近在这里的一些阅读建议lxml作为一个库,并增强了标准ElementTree。
为什么不使用XSLT?这将是最简单的。 (事实上:我看到有一个?xml-stylesheet指令 - 默认样式表是什么样的) – 2010-11-01 18:06:58
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。如果我可以使用与我有的样式表相同的样式表,那也可能起作用。 – 2010-11-01 18:11:06