如何在 Python 中读取 XML 标头

Question

如何在 Python 3 中读取 XML 文档的标题？

理想情况下，我会使用 defusedxml 模块作为documentation states that it's safer，但在这一点上（经过数小时的尝试后），我会满足于任何解析器。

例如，我有一个看起来像这样的文档（这实际上来自一个练习）：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple Computer//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0"> <!-- this is root -->
    <!-- CONTENTS -->
</plist>

我想知道如何访问根节点之前的所有内容。

这似乎是一个笼统的问题，我以为我很容易在网上找到答案，但我想我错了。我找到的最接近的东西是this question on Stack Overflow，它并没有真正帮助（我查看了xml.sax，但找不到任何相关内容）。

Answer 1

试试这个代码！ 我假设变量 's' 中的临时 xml。

我声明了一个 MyParser 类，它具有 XmlDecl 的功能来打印 XML 标头，第二个函数的目的是解析 XML 标头。所以首先使用 xml.parsers 中定义的 ParserCreate() 函数创建解析器.

现在创建 MyParser 类 'parser' 的对象并使用对象引用调用 parse 函数。

from xml.parsers import expat

s = """<?xml version='1.0' encoding='iso-8859-1'?>
       <book>
           <title>Title</title>
           <chapter>Chapter 1</chapter>
       </book>"""

class MyParser(object):
    def XmlDecl(self, version, encoding, standalone):
        print ("XmlDecl", version, encoding, standalone)

    def Parse(self, data):
        Parser = expat.ParserCreate()
        Parser.XmlDeclHandler = self.XmlDecl
        Parser.Parse(data, 1)

parser = MyParser()
parser.Parse(s)

Answer 2

我尝试了minidom，根据您提供的link，它很容易受到十亿次笑声和二次爆炸攻击。这是我的代码：

from xml.dom.minidom import parse

dom = parse('file.xml')
print('<?xml version="{}" encoding="{}"?>'.format(dom.version, dom.encoding))
print(dom.doctype.toxml())
#or
print(dom.getElementsByTagName('plist')[0].previousSibling.toxml())
#or
print(dom.childNodes[0].toxml())

输出：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist  PUBLIC '-//Apple Computer//DTD PLIST 1.0//EN'  'http://www.apple.com/DTDs/PropertyList-1.0.dtd'>
<!DOCTYPE plist  PUBLIC '-//Apple Computer//DTD PLIST 1.0//EN'  'http://www.apple.com/DTDs/PropertyList-1.0.dtd'>
<!DOCTYPE plist  PUBLIC '-//Apple Computer//DTD PLIST 1.0//EN'  'http://www.apple.com/DTDs/PropertyList-1.0.dtd'>

您可以使用defusedxml 中的minidom。我下载了那个包，只是用 from defusedxml.minidom import parse 替换了 import 并且代码使用相同的输出。

Answer 3

使用lxml 库，您可以通过DocInfo 对象访问文档属性。

from lxml import etree

tree = etree.parse('input.xml')
info = tree.docinfo
v, e, d = info.xml_version, info.encoding, info.doctype

print('<?xml version="{}" encoding="{}"?>'.format(v, e))
print(d)

输出：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple Computer//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">