知识卡片

普通读书笔记卡 · 8062.h.1 · 生成模型:未记录

结构化文本需要结构解析

理解等级:中级

字符串模式可以从受约束的示例中提取文本,却不自动理解完整文档结构。原例用(.*)读取一行一个title的简单XML可以得到三项标题,但遇到同一行多个标签、跨行内容、嵌套或其他有效写法就可能失去正确边界;匹配示例成功不是通用XML解析器。

DOM把XML组织为节点树,示例getElementsByTagName后再从TEXT_NODE取data;ElementTree例通过findall(“title”)找根的直接子节点,再取E.text。两种树API都表达结构,但查询范围和文本模型不同:DOM的此查找可取后代,所示ElementTree路径只取对应层次,不能无条件等价为任意嵌套title提取。

复杂文档还需明确命名空间、子元素文本等需求;这段样例只给简单结构,不覆盖所有XML变体。Python2的unicode与Python3的str显示差别不改变按解析结构取值的任务。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      XML的嵌套式的结构和任意的属性文本使得全面解析更为精确。 由于XML是如此广泛使用的格式,Python自身附带一个完整的XML解析工具包,所以它支持SAX和DOM解析模式,此外,还有一个名为ElementTree的包——这是特定于Python的专用于解析和构造XML的一个API。除了基本的解析,开源领域还提供了额外的XML工具,例如XPath、Xquery

    参考来源

    - 位置:《Python学习手册(原书第4版)》第36章《XML解析工具》(spine1062;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part1033.html;u826-ch36-012)。 - 结论依据:826正文明确嵌套/属性导致完整解析更精确,02237-02240及02243分别给简单XML、regex、DOM和ElementTree三路代码;官方ElementTree/minidom接口核对查询范围,原书“嵌套title”不可扩至未展示任意深度。 - 原始内容:XML的嵌套式的结构和任意的属性文本使得全面解析更为精确。 由于XML是如此广泛使用的格式,Python自身附带一个完整的XML解析工具包,所以它支持SAX和DOM解析模式,此外,还有一个名为ElementTree的包——这是特定于Python的专用于解析和构造XML的一个API。除了基本的解析,开源领域还提供了额外的XML工具,例如XPath、Xquery