Python BeautifulSoup XML 解析

Question

我编写了一个简单的脚本来使用 BeautifulSoup 模块解析 XML 聊天日志。标准的 soup.prettify() 工作正常，只是聊天日志中有很多绒毛。您可以在下面看到脚本代码和我正在使用的一些 XML 输入文件：

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格式，或者至少比纯 XML 更具可读性：

乔恩： 嘿，怎么了？ [10/31/10 @ 3:43p]

乔恩： 收到您的消息 [10/31/10 @ 3:44p]

比尔： 哦，太好了 [10/31/10 @ 3:44p]

等等。我听说了一些关于 PyParsing 模块的好消息，也许是时候试一试了。

Answer 1

BeautifulSoup 让获取 xml 中的属性和值变得非常简单。我调整了您的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])

Answer 2

我建议使用内置的ElementTree 模块。 BeautifulSoup 旨在处理格式不正确的代码，例如被破解的 HTML，而 XML 格式正确，旨在由 XML 库读取。

更新：我最近在这里阅读的一些内容建议将 lxml 作为建立在标准 ElementTree 之上并增强其的库。