20.7. xml.dom.minidom — 最小化的 DOM 实现

源代码: Lib/xml/dom/minidom.py


xml.dom.minidom 是文档对象模型接口的最小化实现,具有与其他语言类似的 API。 它的目标是比完整 DOM 更简单并且更为小巧。 对于 DOM 还不十分熟悉的用户则应当考虑改用 xml.etree.ElementTree 模块来进行 XML 处理。

警告

xml.dom.minidom 模块对于恶意构建的数据是不安全的。 如果你需要解析不受信任或未经身份验证的数据,请参阅 XML 漏洞

DOM 应用程序通常会从将某个 XML 解析为 DOM 开始。 使用 xml.dom.minidom 时,这是通过各种解析函数来完成的:

from xml.dom.minidom import parse, parseString

dom1 = parse('c:\\temp\\mydata.xml')  # parse an XML file by name

datasource = open('c:\\temp\\mydata.xml')
dom2 = parse(datasource)  # parse an open file

dom3 = parseString('<myxml>Some data<empty/> some more data</myxml>')

parse() 函数可接受一个文件名或者打开的文件对象。

xml.dom.minidom.parse(filename_or_file, parser=None, bufsize=None)

根据给定的输入返回一个 Documentfilename_or_file 可以是一个文件名,或是一个文件类对象。 如果给定 parser 则它必须是一个 SAX2 解析器对象。 此函数将修改解析器的处理程序并激活命名空间支持;其他解析器配置(例如设置一个实体求解器)必须已经提前完成。

如果你将 XML 存放为字符串,则可以改用 parseString() 函数:

xml.dom.minidom.parseString(string, parser=None)

返回一个代表 stringDocument。 此方法会为指定字符串创建一个 io.StringIO 对象并将其传递给 parse()

两个函数均返回一个代表文档内容的 Document 对象。object representing the content of the document.

parse()parseString() 函数所做的是将 XML 解析器连接到一个 “DOM 构建器”,它可以从任意 SAX 解析器接收解析事件并将其转换为 DOM 树结构。 这两个函数的名称可能有些误导性,但在学习此接口时是很容易掌握的。 文档解析操作将在这两个函数返回之前完成;简单地说这两个函数本身并不提供解析器实现。

你也可以通过在一个 “DOM 实现” 对象上调用方法来创建 Document。 此对象可通过调用 xml.dom 包或者 xml.dom.minidom 模块中的 getDOMImplementation() 函数来获取。 一旦你获得了一个 Document,你就可以向它添加子节点来填充 DOM:

from xml.dom.minidom import getDOMImplementation

impl = getDOMImplementation()

newdoc = impl.createDocument(None, "some_tag", None)
top_element = newdoc.documentElement
text = newdoc.createTextNode('Some textual content.')
top_element.appendChild(text)

一旦你得到了 DOM 文档对象,你就可以通过其属性和方法访问对应 XML 文档的各个部分。 这些属性定义在 DOM 规格说明当中;文档对象的主要特征属性是 documentElement。 它给出了 XML 文档中的主元素:即包含了所有其他元素的元素。 以下是一个示例程序:

dom3 = parseString("<myxml>Some data</myxml>")
assert dom3.documentElement.tagName == "myxml"

当你完成对一个 DOM 树的处理时,你可以选择调用 unlink() 方法以鼓励尽早清除不再需要的对象。 unlink()xml.dom.minidom 针对 DOM API 的专属扩展,它会将特定节点及其下级标记为不再有用。 在其他情况下,Python 的垃圾回收器将负责最终处理树结构中的对象。

参见

文档对象模型 (DOM) 第 1 层级规格说明

xml.dom.minidom 所支持的 W3C 针对 DOM 的建议。

20.7.1. DOM 对象

Python 的 DOM API 定义被作为 xml.dom 模块文档的一部分给出。 这一节列出了该 API 和 xml.dom.minidom 之间的差异。

破坏 DOM 的内部引用以便它能在没有循环 GC 的 Python 版本上垃圾回收器回收。 即使在循环 GC 可用的时候,使用此方法也可让大量内存更快变为可用,因此当 DOM 对象不再被需要时尽早调用它们的这个方法是很好的做法。 此方法只须在 Document 对象上调用,但也可以在下级节点上调用以丢弃该节点的下级节点。

You can avoid calling this method explicitly by using the with statement. The following code will automatically unlink dom when the with block is exited:

with xml.dom.minidom.parse(datasource) as dom:
    ... # Work with dom.
Node.writexml(writer, indent="", addindent="", newl="")

Write XML to the writer object. The writer should have a write() method which matches that of the file object interface. The indent parameter is the indentation of the current node. The addindent parameter is the incremental indentation to use for subnodes of the current one. The newl parameter specifies the string to use to terminate newlines.

对于 Document 节点,可以使用附加的关键字参数 encoding 来指定 XML 标头的编码格式字段。

Node.toxml(encoding=None)

返回一个包含 XML DOM 节点所代表的 XML 的字符串或字节串。

带有显式的 encoding 1 参数时,结果为使用指定编码格式的字节串。 没有 encoding 参数时,结果为 Unicode 字符串,并且结果字符串中的 XML 声明将不指定编码格式。 使用 UTF-8 以外的编码格式对此字符串进行编码通常是不正确的,因为 UTF-8 是 XML 的默认编码格式。

Node.toprettyxml(indent="\t", newl="\n", encoding=None)

返回文档的美化打印版本。 indent 指定缩进字符串并默认为制表符;newl 指定标示每行结束的字符串并默认为 \n

encoding 参数的行为类似于 toxml() 的对应参数。

20.7.2. DOM 示例

此示例程序是个相当实际的简单程序示例。 在这个特定情况中,我们没有过多地利用 DOM 的灵活性。

import xml.dom.minidom

document = """\
<slideshow>
<title>Demo slideshow</title>
<slide><title>Slide title</title>
<point>This is a demo</point>
<point>Of a program for processing slides</point>
</slide>

<slide><title>Another demo slide</title>
<point>It is important</point>
<point>To have more than</point>
<point>one slide</point>
</slide>
</slideshow>
"""

dom = xml.dom.minidom.parseString(document)

def getText(nodelist):
    rc = []
    for node in nodelist:
        if node.nodeType == node.TEXT_NODE:
            rc.append(node.data)
    return ''.join(rc)

def handleSlideshow(slideshow):
    print("<html>")
    handleSlideshowTitle(slideshow.getElementsByTagName("title")[0])
    slides = slideshow.getElementsByTagName("slide")
    handleToc(slides)
    handleSlides(slides)
    print("</html>")

def handleSlides(slides):
    for slide in slides:
        handleSlide(slide)

def handleSlide(slide):
    handleSlideTitle(slide.getElementsByTagName("title")[0])
    handlePoints(slide.getElementsByTagName("point"))

def handleSlideshowTitle(title):
    print("<title>%s</title>" % getText(title.childNodes))

def handleSlideTitle(title):
    print("<h2>%s</h2>" % getText(title.childNodes))

def handlePoints(points):
    print("<ul>")
    for point in points:
        handlePoint(point)
    print("</ul>")

def handlePoint(point):
    print("<li>%s</li>" % getText(point.childNodes))

def handleToc(slides):
    for slide in slides:
        title = slide.getElementsByTagName("title")[0]
        print("<p>%s</p>" % getText(title.childNodes))

handleSlideshow(dom)

20.7.3. minidom 和 DOM 标准

xml.dom.minidom 模块实际上是兼容 DOM 1.0 的 DOM 并带有部分 DOM 2 特性(主要是命名空间特性)。

Python 中 DOM 接口的用法十分直观。 会应用下列映射规则:

  • 接口是通过实例对象来访问的。 应用程序不应实例化这些类本身;它们应当使用 Document 对象提供的创建器函数。 派生的接口支持上级接口的所有操作(和属性),并添加了新的操作。

  • 操作以方法的形式使用。 因由 DOM 只使用 in 形参,参数是以正常顺序传入的(从左至右)。 不存在可选参数。 void 操作返回 None

  • IDL 属性会映射到实例属性。 为了兼容针对 Python 的 OMG IDL 语言映射,属性 foo 也可通过访问器方法 _get_foo()_set_foo() 来访问。 readonly 属性不可被修改;运行时并不强制要求这一点。

  • short int, unsigned int, unsigned long longboolean 类型都会映射到 Python 整数类型。

  • DOMString 类型会映射为 Python 字符串。 xml.dom.minidom 支持字节串或字符串,但通常是产生字符串。 DOMString 类型的值也可以为 None,W3C 的 DOM 规格说明允许其具有 IDL null 值。

  • const 声明会映射为它们各自的作用域内的变量 (例如 xml.dom.minidom.Node.PROCESSING_INSTRUCTION_NODE);它们不可被修改。

  • DOMException 目前不被 xml.dom.minidom 所支持。 xml.dom.minidom 会改为使用标准 Python 异常例如 TypeErrorAttributeError

  • NodeList 对象是使用 Python 内置列表类型来实现的。 这些对象提供了 DOM 规格说明中定义的接口,但在较早版本的 Python 中它们不支持官方 API。 相比在 W3C 建议中定义的接口,它们要更加的 “Pythonic”。

下列接口未在 xml.dom.minidom 中实现:

  • DOMTimeStamp

  • DocumentType

  • DOMImplementation

  • CharacterData

  • CDATASection

  • Notation

  • Entity

  • EntityReference

  • DocumentFragment

这些接口所反映的 XML 文档信息对于大多数 DOM 用户来说没有什么帮助。

备注

1

包括在 XML 输出中的编码格式名称应当遵循适当的标准。 例如,”UTF-8” 是有效的,但 “UTF8” 在 XML 文档的声明中是无效的,即使 Python 接受其作为编码格式名称。 详情参见 https://www.w3.org/TR/2006/REC-xml11-20060816/#NT-EncodingDeclhttps://www.iana.org/assignments/character-sets/character-sets.xhtml