web-dev-qa-db-ja.com

Python BeautifulSoup XML解析

BeautifulSoupモジュールを使用してXMLチャットログを解析する簡単なスクリプトを作成しました。標準のsoup.prettify（）は、チャットログに多くの綿毛が含まれていることを除き、問題なく動作します。スクリプトコードと、以下で作業しているXML入力ファイルの両方を確認できます。

コード

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])

XML入力のテスト

<?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>

これを次のような形式、または少なくとも純粋なXMLよりも読みやすい形式に出力できるようにしたいのです。

ジョン：どうしたの？ [10/31/10 @ 3：43p]

ジョン：メッセージを受け取った[10/31/10 @ 3：44p]

ビル：ああ、素晴らしい[10/31/10 @ 3：44p]

など。PyParsingモジュールについてはまともなことを聞​​いたことがありますが、それを試してみましょう。

pythonxmlparsing
18
Caley Woods

BeautifulSoupを使用すると、xmlの属性と値を簡単に取得できます。これらの機能を使用するようにサンプル関数を調整しました。

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])
32
dcolish

組み込みの ElementTree モジュールを使用することをお勧めします。 BeautifulSoupは、ハッキングされたHTMLのような整形式でないコードを処理することを目的としていますが、XMLは整形式であり、XMLライブラリによって読み取られることを意味します。

更新：ここで最近読んだいくつかの記事では、lxmlが標準のElementTreeに基づいて構築され、拡張されたライブラリとして提案されています。

8
Binary Phile