Python BeautifulSoup XML Parsing

Question

Ho scritto un semplice script per analizzare i log di chat XML utilizzando il modulo BeautifulSoup. Lo standard soup.prettify() funziona bene, eccetto che i log delle chat contengono molto materiale. È possibile vedere sia il codice di script e alcuni dei file di input XML con cui sto lavorando qui di seguito:

Codice

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]) 

ingresso di test 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'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> 

Sono volendo essere in grado di produrre questo in un formato come il seguente o almeno qualcosa che sia più leggibile del puro XML:

Jon: Ehi, come va? [10/31/10 @ 3: 43p]

Jon: ricevuto il tuo messaggio [10/31/10 @ 3: 44p]

Bill: oh, grande [10/31/10 @ 3 : 44p]

ecc. Ho sentito alcune cose decenti sul modulo PyParsing, forse è ora di dargli una possibilità.

Answer 1

BeautifulSoup rende davvero semplice ottenere attributi e valori in xml. Ho ottimizzato la tua funzione di esempio per utilizzare queste funzionalità.

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]) 

Answer 2

Si consiglia di utilizzare il modulo integrato ElementTree. BeautifulSoup ha lo scopo di gestire un codice indeformato come HTML compromesso, mentre XML è ben formato e deve essere letto da una libreria XML.

Aggiornamento: alcune delle mie letture recenti suggeriscono lxml come una libreria costruita e migliorando lo standard ElementTree.