Python BeautifulSoup XML解析

我写了一个简单的脚本来使用BeautifulSoup模块解析XML聊天日志。标准soup.prettify（）可以正常工作，除非聊天记录中有很多绒毛。你可以同时看到脚本代码和一些我在下面工作XML输入文件：Python BeautifulSoup XML解析

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所示的格式，或者至少比纯XML更具可读性：

乔恩：嘿，怎么了？ [10年10月31日@ 3：43P]

乔恩：收到您的来信[10年10月31日@ 3：44P]

比尔：哦，太棒了[10年10月31日@ 3 ：44p]

etc ..我听说PyParsing模块的一些体面的事情，也许是时候给它一个镜头了。

来源

2010-11-01 Caley Woods

为什么不使用XSLT？这将是最简单的。（事实上：我看到有一个？xml-stylesheet指令 - 默认样式表是什么样的） – 2010-11-01 18:06:58

我可能并不总是有XSL样式表可用，因此需要一些东西来将日志格式化为更可读的。如果我可以使用与我有的样式表相同的样式表，那也可能起作用。 – 2010-11-01 18:11:06

BeautifulSoup使得获取xml中的属性和值非常简单。我调整了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])

来源

2010-11-04 04:39:17 dcolish

这个效果很好。什么是从字典包含f_user_dict = dict（f_user.attrs）我假设的属性，我将不得不玩弄那件作品，看看到底有什么。再次感谢！ – 2010-11-05 13:26:30

对于所有元素，el.attrs将包含xml标记属性的元组列表。调用任何元组的字典将使其成为一个字典。 – dcolish 2010-11-05 13:56:09

哦，只是想澄清一下，在元组列表上调用dict将返回一个字典，而不是单个元组：dict（[（'hello'，'goodbye'），（'foo'，'bar'）]）） – dcolish 2010-11-05 14:07:28

我推荐使用内置的ElementTree模块。 BeautifulSoup旨在处理不良形式的代码，例如被破解的HTML，而XML格式良好并且意味着可以被XML库读取。

更新：我最近在这里的一些阅读建议lxml作为一个库，并增强了标准ElementTree。

来源

2010-11-02 01:39:11

我使用美丽的汤来解析XML。从文档：“美丽的汤是一个用于从HTML和XML文件中提取数据的Python库。”美丽的汤将使用您告诉它的任何解析器，包括lxml。（请参阅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错误的XML。 – whatnick 2017-11-01 05:35:45

Python BeautifulSoup XML解析

回答

相关问题