===========================
 使用minidom来处理XML的示例
===========================

:作者: limodou
:联系: chatme@263.net
:版本: $Id: xml.txt 42 2005-09-28 05:19:21Z limodou $
:主页: http://wiki.woodpecker.org.cn/moin/NewEdit
:BLOG: http://www.donews.net/limodou
:版权: GPL

.. contents::

一、XML的读取 
-------------

在 NewEdit 中有代码片段的功能，代码片段分为片段的分类和片段的内容。在缺省情况下都是用XML格式保存的。下面我
讲述一下，如何使用minidom来读取和保存XML文件。

下面是片段分类的一个示例文件--catalog.xml::

	<?xml version="1.0" encoding="utf-8"?>
	<catalog>
		<maxid>4</maxid>
		<item id="1">
			<caption>Python</caption>
			<item id="4">
				<caption>测试</caption>
			</item>
		</item>
		<item id="2">
			<caption>Zope</caption>
		</item>
	</catalog>

分类是树状结构，显示出来可能为::

	Python
		测试
	Zope

先简单介绍一下XML的知识，如果你已经知道了可以跳过去。

1. XML文档的编码

   此XML文档的编码为utf-8，因此你看到的“测试”其实是UTF-8编码。在XML文档的处理中都是使用UTF-8编码进行的，
   因此，如果你不写明encoding的话，都是认为文件是UTF-8编码的。在Python中，好象只支持几种编码，象我们常用的
   GB2312码就不支持，因此建议大家在处理XML时使用UTF-8编码。

2. XML文档的结构

   XML文档有XML头信息和XML信息体。头信息如::

	<?xml version="1.0" encoding="utf-8"?>

   它表明了此XML文档所用的版本，编码方式。有些复杂的还有一些文档类型的定义(DOCTYPE)，用于定义此XML文档所用
   的DTD或Schema和一些实体的定义。这里并没有用到，而且我也不是专家，就不再细说了。

   XML信息体是由树状元素组成。每个XML文档都有一个文档元素，也就是树的根元素，所有其它的元素和内容都包含在根元素中。

3. DOM

   DOM是Document Object Model的简称，它是以对象树来表示一个XML文档的方法，使用它的好处就是你可以非常灵活
   的在对象中进行遍历。

4. 元素和结点

   元素就是标记，它是成对出现的。XML文档就是由元素组成的，但元素与元素之间可以有文本，元素的内容也是文本。
   在minidom中有许多的结点，元素也属于结点的一种，它不是叶子结点，即它存在子结点；还存在一些叶子结点，如文
   本结点，它下面不再有子结点。

   象catalog.xml中，文档元素是catalog，它下面有两种元素：maxid和item。maxid用来表示当前最大的item的id值。
   每一个item都有一个id属性，id属性是唯一的，在 NewEdit 中用来生成每个分类所对应的代码片段的XML文档名，因此不能重复，而且它是一个递增的值。item元素有一个caption子元素，用来表示此分类项的名称，它还可以包含item元素。这样，就定义了一个树状XML结构，下面让我们看一看如果把它们读出来。


1.1 得到dom对象

::

	>>> import xml.dom.minidom
	>>> dom = xml.dom.minidom.parse('d:/catalog.xml')

这样我们得到了一个dom对象，它的第一个元素应该是catalog。

1.2 得到文档元素对象

::

	>>> root = dom.documentElement

这样我们得到了根元素(catalog)。

1.3 结点属性

每一个结点都有它的nodeName，nodeValue，nodeType属性。nodeName为结点名字。

::

	>>> root.nodeName
	u'catalog'

nodeValue是结点的值，只对文本结点有效。nodeType是结点的类型，现在有以下几种::

	'ATTRIBUTE_NODE'
	'CDATA_SECTION_NODE'
	'COMMENT_NODE'
	'DOCUMENT_FRAGMENT_NODE'
	'DOCUMENT_NODE'
	'DOCUMENT_TYPE_NODE'
	'ELEMENT_NODE'
	'ENTITY_NODE'
	'ENTITY_REFERENCE_NODE'
	'NOTATION_NODE'
	'PROCESSING_INSTRUCTION_NODE'
	'TEXT_NODE'

这些结点通过名字很好理解。catalog是ELEMENT_NODE类型。

::

	>>> root.nodeType
	1
	>>> root.ELEMENT_NODE
	1

1.4 子元素、子结点的访问

访问子元素、子结点的方法很多，对于知道元素名字的子元素，可以使用getElementsByTagName方法，如读取maxid子元素::

	>>> root.getElementsByTagName('maxid')
	[<DOM Element: maxid at 0xb6d0a8>]

这样返回一个列表，由于我们的例子中maxid只有一项，因此列表也只有一项。

如果想得到某个元素下的所有子结点(包括元素)，可以使用childNodes属性::

	>>> root.childNodes
	[<DOM Text node "\n    ">, <DOM Element: maxid at 0xb6d0a8>, 
	<DOM Text node "\n    ">, <DOM Element: item at 0xb6d918>, 
	<DOM Text node "\n    ">, <DOM Element: item at 0xb6de40>, 
	<DOM Text node "\n    ">, <DOM Element: item at 0xb6dfa8>, 
	<DOM Text node "\n">]

可以看出所有两个标记间的内容都被视为文本结点。象每行后面的回车，都被看到文本结点。从上面的结果我们可以看出每
个结点的类型，本例中有文本结点和元素结点；结点的名字（元素结点）；结点的值（文本结点）。每个结点都是一个对象，
不同的结点对象有不同的属性和方法，更详细的要参见文档。由于本例比较简单，只涉及文本结点和元素结点。

getElementsByTagName可以搜索当前元素的所有子元素，包括所有层次的子元素。childNodes只保存了当前元素的第一层子结点。

这样我们可以遍历childNodes来访问每一个结点，判断它的nodeType来得到不同的内容。如，打印出所有元素的名字::

	>>> for node in root.childNodes:
		if node.nodeType == node.ELEMENT_NODE:
			print node.nodeName
			
	maxid
	item
	item

对于文本结点，想得到它的文本内容可以使用: .data属性。

对于简单的元素，如：<caption>Python</caption>，我们可以编写这样一个函数来得到它的内容（这里为Python）。

::

	def getTagText(root, tag):
		node = root.getElementsByTagName(tag)[0]
		rc = ""
		for node in node.childNodes:
			if node.nodeType in ( node.TEXT_NODE, node.CDATA_SECTION_NODE):
				rc = rc + node.data
		return rc

这个函数只处理找到的第一个符合的子元素。它会将符合的第一个子元素中的所有文本结点拼在一起。当nodeType为文本
类结点时，node.data为文本的内容。如果我们考查一下元素caption，我们可能看到::

	[<DOM Text node "Python">]

说明caption元素只有一个文本结点。

如果一个元素有属性，那么可以使用getAttribute方法，如::

	>>> itemlist = root.getElementsByTagName('item')
	>>> item = itemlist[0]
	>>> item.getAttribute('id')
	u'1'

这样就得到了第一个item元素的属性值。

下面让我们简单地小结一下如何使用minidom来读取XML中的信息

1. 导入xml.dom.minidom模块，生成dom对象
2. 得到文档对象（根对象）
3. 通过getElementsByTagName()方法和childNodes属性（还有其它一些方法和属性）找到要处理的元素
4. 取得元素下文本结点的内容

二、XML的写入
-------------
 
下面我来演示一下如何从无到有生成象catalog.xml一样的XML文件。

2.1 生成dom对象

::

	>>> import xml.dom.minidom
	>>> impl = xml.dom.minidom.getDOMImplementation()
	>>> dom = impl.createDocument(None, 'catalog', None)

这样就生成了一个空的dom对象。其中catalog为文档元素名，即根元素名。

2.2 显示生成的XML内容

每一个dom结点对象（包括dom对象本身）都有输出XML内容的方法，如：toxml(), toprettyxml()

toxml()输出紧凑格式的XML文本，如::

	<catalog><item>test</item><item>test</item></catalog>

toprettyxml()输出美化后的XML文本，如::

	<catalog>
		<item>
			test
		</item>
		<item>
			test
		</item>
	</catalog>

可以看出，它是将每个结点后面都加入了回车符，并且自动处理缩近。但对于每一个元素，如果元素只有文本内容，则我希
望元素的tag与文本是在一起的，如::

	<item>test</item>

而不想是分开的格式，但minidom本身是不支持这样的处理。关于如何实现形如::

	<catalog>
		<item>test</item>
		<item>test</item>
	</catalog>

这样的XML格式，后面我们再说。

2.3 生成各种结点对象

dom对象拥有各种生成结点的方法，下面列出文本结点，CDATA结点和元素结点的生成过程。

  1. 文本结点的生成

     ::

		>>> text=dom.createTextNode('test')
		test

     要注意的是，在生成结点时，minidom并不对文本字符进行检查，象文本中如果出现了'<','&'之类的字符，应该转
     换为相应的实体符号'&lt;','&amp;'才可以，这里没有做这个处理。

  2. CDATA结点的生成

     ::

		>>> data = dom.createCDATASection('aaaaaa\nbbbbbb')
		>>> data.toxml()
		'<![CDATA[aaaaaa\nbbbbbb]]>'

     CDATA是用于包括大块文本，同时可以不用转换'<','&'字符的标记，它是用<![CDATA[文本]]>来包括的。但文本中
     不可以有"]]>"这样的串存在。生成结点时minidom不作这些检查，只有当你输出时才有可能发现有错。

  3. 元素结点的生成

     ::

		>>> item = dom.createElement('caption')
		>>> item.toxml()
		'<caption/>'

     对于象元素这样的结点，生成的元素结点其实是一个空元素，即不包含任何文本，如果要包含文本或其它的元素，我
     们需要使用appendChild()或insertBefore()之类的方法将子结点加就到元素结点中。如将上面生成的text结点加入到caption元素结点中::

		>>> item.appendChild(text)
		<DOM Text node "test">
		>>> item.toxml()
		'<caption>test</caption>'

     使用元素对象的setAttribute()方法可以向元素中加入属性，如::

		>>> item.setAttribute('id', 'idvalue')
		>>> item.toxml()
		'<caption id="idvalue">test</caption>'

2.4 生成dom对象树

我们有了dom对象，又知道了如何生成各种结点，包括叶子结点（不包含其它结点的结点，如文本结点）和非叶子结点（包
含其它结点的结点，如元素结点）的生成，然后就需要利用结点对象本身的appendChild()或insertBefore()方法将各个
结点根据在树中的位置连起来，串成一棵树。最后要串到文档结点上，即根结点上。如一个完整的示例为::

	>>> import xml.dom.minidom
	>>> impl = xml.dom.minidom.getDOMImplementation()
	>>> dom = impl.createDocument(None, 'catalog', None)
	>>> root = dom.documentElement
	>>> item = dom.createElement('item')
	>>> text = dom.createTextNode('test')
	>>> item.appendChild(text)
	<DOM Text node "test">
	>>> root.appendChild(item)
	<DOM Element: item at 0xb9cf80>
	>>> print root.toxml()
	<catalog><item>test</item></catalog>

2.5 简单生成元素结点的函数

下面是我写的一个小函数，用于简单的生成类似于::

	<caption>test</caption>

或形如::

	<item><![CDATA[test]]></item>

的元素结点

::

	1       def makeEasyTag(dom, tagname, value, type='text'):
	2           tag = dom.createElement(tagname)
	3           if value.find(']]>') > -1:
	4               type = 'text'
	5           if type == 'text':
	6               value = value.replace('&', '&amp;')
	7               value = value.replace('<', '&lt;')
	8               text = dom.createTextNode(value)
	9           elif type == 'cdata':
	10              text = dom.createCDATASection(value)
	11          tag.appendChild(text)
	12          return tag

参数说明：

	dom
	  为dom对象 
	
	tagname
	  为要生成元素的名字，如'item' 
	
	value
	  为其文本内容，可以为多行 
	
	type
	  为文本结点的格式，'text'为一般Text结点，'cdata'为CDATA结点

函数处理说明：

	* 首先创建元素结点 
	* 查找文本内容是否有']]>'，如果找到，则此文本结点只可以是Text结点 
	* 如果结点类型为'text'，则对文本内容中的'<'替换为'&lt;'，'&'替换为'&amp;'，再生成文本结点 
	* 如果结点类型为'cdata'，则生成CDATA结点 
	* 将生成的文本结点追加到元素结点上
	
	因此这个小函数可以自动地处理字符转化及避免CDATA结点中出现']]>'串。

上面生成'item'结点的语句可以改为::

	>>> item = makeEasyTag(dom, 'item', 'test')
	>>> item.toxml()
	'<item>test</item>'

2.6 写入到XML文件中

dom对象树已经生成好了，我们可以调用dom的writexml()方法来将内容写入文件中。writexml()方法语法格式为::

	writexml(writer, indent, addindent, newl, encoding)

* writer 是文件对象 
* indent 是每个tag前填充的字符，如：'  '，则表示每个tag前有两个空格 
* addindent 是每个子结点的缩近字符 
* newl 是每个tag后填充的字符，如：'\n'，则表示每个tag后面有一个回车 
* encoding 是生成的XML信息头中的encoding属性值，在输出时minidom并不真正进行编码的处理，如果你保存的文本内容中有汉字，则需要自已进行编码转换。
* writexml 方法是除了writer参数必须要有外，其余可以省略。

下面给出一个文本内容有汉字的示例::

	1       >>> import xml.dom.minidom
	2       >>> impl = xml.dom.minidom.getDOMImplementation()
	3       >>> dom = impl.createDocument(None, 'catalog', None)
	4       >>> root = dom.documentElement
	5       >>> text = unicode('汉字示例', 'cp936')
	6       >>> item = makeEasyTag(dom, 'item', text)
	7       >>> root.appendChild(item)
	8       <DOM Element: item at 0xb9ceb8>
	9       >>> root.toxml()
	10      u'<catalog><item>\u6c49\u5b57\u793a\u4f8b</item></catalog>'
	11      >>> f=file('d:/test.xml', 'w')
	12      >>> import codecs
	13      >>> writer = codecs.lookup('utf-8')[3](f)
	14      >>> dom.writexml(writer, encoding='utf-8')
	15      >>> writer.close()

5行 因为XML处理时内部使用Unicode编码，因此象汉字首先要转成Unicode，如果你不做这一步minicode并不检查，并且
保存时可能不会出错。但读取时可能会出错。
12-13行 生成UTF-8编码的写入流对象，这样在保存时会自动将Unicode转换成UTF-8编码。

这样写XML文件就完成了。


三、XML的美化 
-------------

对于dom对象的writexml()方法，虽然可以控制一些格式上的输出，但结果并不让人满意。比如我想实现::

	<catalog>
		<item>test</item>
		<item>test</item>
	</catalog>

而不是::

	<catalog>
		<item>
			test
		</item>
		<item>
			test
		</item>
	</catalog>

如果是象下面的输出结果我无法区分原来文本中是否带有空白，而上一种结果则不存在这一问题。好在我在wxPython自带
的XML资源编辑器(xred)发现了美化的代码。代码如下::

	1       def Indent(dom, node, indent = 0):
	2           # Copy child list because it will change soon
	3           children = node.childNodes[:]
	4           # Main node doesn't need to be indented
	5           if indent:
	6               text = dom.createTextNode('\n' + '\t' * indent)
	7               node.parentNode.insertBefore(text, node)
	8           if children:
	9               # Append newline after last child, except for text nodes
	10              if children[-1].nodeType == node.ELEMENT_NODE:
	11                  text = dom.createTextNode('\n' + '\t' * indent)
	12                  node.appendChild(text)
	13              # Indent children which are elements
	14              for n in children:
	15                  if n.nodeType == node.ELEMENT_NODE:
	16                      Indent(dom, n, indent + 1)

参数说明：

	dom
	  为dom对象
	
	node
	  为要处理的元素结点
	
	indent
	  指明缩近的层数

函数说明：

Indent是一个递归函数，当一个结点有子元素时进行递归处理。主要是解决子元素的换行和缩近的处理。这里缩近是写
死的，每一级缩近使用一个制表符。如果你愿意可以改为你想要的内容。就是把函数中的'\t'换替一下。或干脆写成一个
全局变量，或参数以后改起来可能要容易的多。不过在 NewEdit 中，这样的处理足够了，就没有做这些工作。

Indent基本的想法就是递归遍历所有子结点，在所有需要加入回车和缩近的地方插入相应的文本结点。这样再使用
writexml()输出时就是缩近好了的。具体程序不再细说，直接用就行了。

但这里要注意的是：

Indent()要修改原dom对象，因此在调用它之前最好先复制一个临时dom对象，使用完毕后再清除这个临时dom对象即可。
下面是详细的调用过程::

	1       domcopy = dom.cloneNode(True)
	2       Indent(domcopy, domcopy.documentElement)
	3       f = file(xmlfile, 'wb')
	4       writer = codecs.lookup('utf-8')[3](f)
	5       domcopy.writexml(writer, encoding = 'utf-8')
	6       domcopy.unlink()

1行 
  克隆一个dom对象
2行 
  进行缩近处理
3-4行 
  进行UTF-8编码处理
5行 
  生成XML文件
6行 
  清除dom对象的内容

经过这番处理之后，你的XML文档应该好看多了。


`[返回]`_

.. _`[返回]`: technical.htm