5.3. Parsing XML

5.3. XML 分析

正如我说的，实际对一个XML文档的分析非常简单：一行代码。从这里出发到哪儿去就是你的事了。

例 5.7. 将入一个XML文档（这次是真的）

>>> from xml.dom import minidom                                          
>>> xmldoc = minidom.parse('/a/diveintopython/common/py/kgp/binary.xml') 
>>> xmldoc                                                               
<xml.dom.minidom.Document instance at 010BE87C>
>>> print xmldoc.toxml()                                                 
<?xml version="1.0" ?>
<grammar>
<ref id="bit">
  <p>0</p>
  <p>1</p>
</ref>
<ref id="byte">
  <p><xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\
<xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/></p>
</ref>
</grammar>

	正如我们在前一节中所看到的，这样会从 `xml.dom` 包中导入 `minidom` 模块。
	这儿就是进行所有工作的一行代码：`minidom.parse` 接收一个参数，并返回一个分析过的XML文档的表示。这个参数可以是许多东西；在本例中，它只是一个在我的硬盘上的XML文档文件名。（为了照着执行，你需要将路径改为指向下载的例子所在的目录。）但你也可以传入一个文件对象，或甚至是一个类似文件的对象。我们将在本章后面好好地利用这一灵活性。
	从 `minidom.parse` 中返回的对象是一个 `Document` 对象，一个 `Node` 类的子类。这个 `Document` 对象是一个复杂的树状的联锁Python对象结构的根层次。这些Python对象完全表示了我们传给 `minidom.parse` 的XML文档。
	`toxml` 是 `Node` 类的一个方法（因此可以在我们从 `minidom.parse` 中得到的 `Document` 对象上使用）。`toxml` 会打印出这个 `Node` 所表示的XML。对于 `Document` 结点，这样会打印出整个XML文件。

既然我们在内存中有了一个XML文件，就可以对其进行遍历了。

例 5.8. 得到子结点

>>> xmldoc.childNodes    
[<DOM Element: grammar at 17538908>]
>>> xmldoc.childNodes[0] 
<DOM Element: grammar at 17538908>
>>> xmldoc.firstChild    
<DOM Element: grammar at 17538908>

	每个 `Node` 都有一个 `childNodes` 属性，它是 `Node` 对象的一个列表。一个 `Document` 只有一个子结点，即XML文档的根元素（在本例中，是 `grammar` 元素）。
	为了得到第一个（在本例中，只有一个）子结点，只要使用正常的列表语法。回想一下，这里没发生什么特别的，这儿只是一个正常Python对象的正常Python列表。
	Since getting the first child node of a node is a useful and common activity, the `Node` class has a `firstChild` attribute, which is synonymous with `childNodes[0]`. (There is also a `lastChild` attribute, which is synonymous with `childNodes[-1]`.)

例 5.9. toxml 可用于任何结点

>>> grammarNode = xmldoc.firstChild
>>> print grammarNode.toxml() 
<grammar>
<ref id="bit">
  <p>0</p>
  <p>1</p>
</ref>
<ref id="byte">
  <p><xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\
<xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/></p>
</ref>
</grammar>

因为 toxml 定义在 Node 类中，它在任何XML结点中都可用，不只是 Document 元素。

例 5.10. 子结点可能是文本

>>> grammarNode.childNodes                  
[<DOM Text node "\n">, <DOM Element: ref at 17533332>, \
<DOM Text node "\n">, <DOM Element: ref at 17549660>, <DOM Text node "\n">]
>>> print grammarNode.firstChild.toxml()    



>>> print grammarNode.childNodes[1].toxml() 
<ref id="bit">
  <p>0</p>
  <p>1</p>
</ref>
>>> print grammarNode.childNodes[3].toxml() 
<ref id="byte">
  <p><xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\
<xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/></p>
</ref>
>>> print grammarNode.lastChild.toxml()

	查看 `binary.xml` 中的XML，你可能会认为 `grammar` 只有两个子结点，两个 `ref` 元素。但你忘了什么了：硬回车符！在 `'<grammar>'` 之后，第一个 `'<ref>'` 之前，是一个硬回车符，并且这个文本算作 `grammar` 元素的一个子结点。同样，在每个 `'</ref>'` 之后都有一个硬回车符，这些也都作成子结点。所以 `grammar.childNodes` 实际上是一个有 5 元素的列表：3 个 `Text` 对象和 2 个 `Element` 对象。
	第一个子结点是一个 `Text` 对象，它表示在 `'<grammar>'` 标记之后，在第一个 `'<ref>'` 之前的硬回车符。
	第二个子结点是一个表示第一个 `ref` 元素的 `Element` 对象。
	第四个子结点是一个表示第二个 `ref` 元素的 `Element` 对象。
	最后一个子结点是一个 `Text` 对象，它表示在 `'</ref>'` 结束标记之后，在 `'</grammar>'` 之前的硬回车符。