Python BeautifulSoup XML Parsing

Я написал простой script для анализа журналов XML-чатов с помощью модуля BeautifulSoup. Стандартный soup.prettify() работает нормально, кроме журналов чата, в них много пуха. Вы можете увидеть как код script, так и некоторый входной файл XML, с которым я работаю ниже:

код

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])

Тестирование ввода XML

<?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 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>

Я хочу иметь возможность выводить это в формат, похожий на следующий или, по крайней мере, более читаемый, чем чистый XML:

Jon: Эй, привет? [10/31/10 @3: 43p]

Jon: Получил ваше сообщение [10/31/10 @3: 44p]

Билл: oh, great [10/31/10 @3: 44p]

и т.д. Я слышал некоторые приличные вещи о модуле PyParsing, возможно, пора дать ему шанс.

Ответ 1

BeautifulSoup делает получение атрибутов и значений в xml очень простым. Я использовал вашу функцию для использования этих функций.

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])

Ответ 2

Я бы рекомендовал использовать встроенный модуль ElementTree. BeautifulSoup предназначен для обработки некорректного кода, такого как взломанный HTML, тогда как XML хорошо сформирован и предназначен для чтения библиотекой XML.

Обновление: некоторые из моих недавних чтений здесь предлагают lxml в качестве библиотеки, построенной и улучшающей стандарт ElementTree.