Python BeautifulSoup XML解析

我寫了一個簡單的腳本來使用BeautifulSoup模塊解析XML聊天日誌。標準soup.prettify（）可以正常工作，除非聊天記錄中有很多絨毛。你可以同時看到腳本代碼和一些我在下面工作XML輸入文件：Python BeautifulSoup XML解析

代碼

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])

測試XML輸入

<?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>

我希望能夠將其輸出爲如下所示的格式，或者至少比純XML更具可讀性：

喬恩：嘿，怎麼了？ [10年10月31日@ 3：43P]

喬恩：收到您的來信[10年10月31日@ 3：44P]

比爾：哦，太棒了[10年10月31日@ 3 ：44p]

etc ..我聽說PyParsing模塊的一些體面的事情，也許是時候給它一個鏡頭了。

來源

2010-11-01 Caley Woods

爲什麼不使用XSLT？這將是最簡單的。（事實上：我看到有一個？xml-stylesheet指令 - 默認樣式表是什麼樣的） – 2010-11-01 18:06:58

我可能並不總是有XSL樣式表可用，因此需要一些東西來將日誌格式化爲更可讀的。如果我可以使用與我有的樣式表相同的樣式表，那也可能起作用。 – 2010-11-01 18:11:06

BeautifulSoup使得獲取xml中的屬性和值非常簡單。我調整了示例函數以使用這些功能。

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])

來源

2010-11-04 04:39:17 dcolish

這個效果很好。什麼是從字典包含f_user_dict = dict（f_user.attrs）我假設的屬性，我將不得不玩弄那件作品，看看到底有什麼。再次感謝！ – 2010-11-05 13:26:30

對於所有元素，el.attrs將包含xml標記屬性的元組列表。調用任何元組的字典將使其成爲一個字典。 – dcolish 2010-11-05 13:56:09

哦，只是想澄清一下，在元組列表上調用dict將返回一個字典，而不是單個元組：dict（[（'hello'，'goodbye'），（'foo'，'bar'）]）） – dcolish 2010-11-05 14:07:28

我推薦使用內置的ElementTree模塊。 BeautifulSoup旨在處理不良形式的代碼，例如被破解的HTML，而XML格式良好並且意味着可以被XML庫讀取。

更新：我最近在這裏的一些閱讀建議lxml作爲一個庫，並增強了標準ElementTree。

來源

2010-11-02 01:39:11

我使用美麗的湯來解析XML。從文檔：「美麗的湯是一個用於從HTML和XML文件中提取數據的Python庫。」美麗的湯將使用您告訴它的任何解析器，包括lxml。（請參閱http://www.crummy.com/software/BeautifulSoup/bs4/doc/#installing-a-parser） – lfalin 2014-03-15 21:41:28

最近我看到很多字符串生成格式錯誤的XML。 – whatnick 2017-11-01 05:35:45

Python BeautifulSoup XML解析

回答

相關問題