Analyse syntaxique XML - ElementTree vs SAX et DOM

Question

Python a plusieurs façons d'analyser le XML...

Je comprends les bases de l'analyse syntaxique avec SAX . Il fonctionne comme un analyseur de flux, avec une API pilotée par les événements.

Je comprends que DOM également. Il lit le XML en mémoire et le convertit en objets auxquels on peut accéder avec Python.

D'une manière générale, il était facile de choisir entre les deux en fonction de ce que vous aviez besoin de faire, des contraintes de mémoire, des performances, etc.

(J'espère que j'ai raison jusqu'à présent.)

Depuis Python 2.5, nous avons également ElementTree . Comment cela se compare-t-il à DOM et SAX ? A quoi ressemble-t-il le plus ? Pourquoi est-il meilleur que les analyseurs précédents ?

Answer 1

ElementTree est beaucoup plus facile à utiliser, car il représente un arbre XML (essentiellement) comme une structure de listes, et les attributs sont représentés comme des dictionnaires.

ElementTree a besoin de beaucoup moins de mémoire pour les arbres XML que DOM (et est donc plus rapide), et la surcharge de l'analyse syntaxique via iterparse est comparable à SAX. En outre, iterparse renvoie des structures partielles, et vous pouvez maintenir l'utilisation de la mémoire constante pendant l'analyse en éliminant les structures dès que vous les traitez.

ElementTree, comme dans Python 2.5, ne possède qu'un petit ensemble de fonctionnalités par rapport aux bibliothèques XML à part entière, mais c'est suffisant pour de nombreuses applications. Si vous avez besoin d'un analyseur de validation ou d'un support XPath complet, lxml est la solution. Pendant longtemps, elle a été assez instable, mais je n'ai pas eu de problèmes avec elle depuis la version 2.1.

ElementTree s'écarte du DOM, où les nœuds ont accès à leur parent et à leurs frères et sœurs. La gestion de documents réels plutôt que de magasins de données est également un peu lourde, car les nœuds de texte ne sont pas traités comme des nœuds réels. Dans l'extrait XML

<a>This is <b>a</b> test</a>

La chaîne test sera ce que l'on appelle tail de l'élément b .

En général, je recommande ElementTree comme valeur par défaut pour tout traitement XML avec Python, et DOM ou SAX comme solutions pour des problèmes spécifiques.

Answer 2

Mise en œuvre minimale de DOM :

Lien .

Python fournit une implémentation complète et standardisée par le W3C de XML DOM ( xml.dom ) et un autre, minimal, xml.dom.minidom . Cette dernière est plus simple et plus petite que l'implémentation complète. Cependant, du point de vue de l'analyse syntaxique, elle a tous les avantages et les inconvénients du DOM standard - c'est-à-dire qu'elle charge tout en mémoire.

Considérant un fichier XML de base :

<?xml version="1.0"?>
<catalog>
    <book isdn="xxx-1">
      <author>A1</author>
      <title>T1</title>
    </book>
    <book isdn="xxx-2">
      <author>A2</author>
      <title>T2</title>
    </book>
</catalog>

Un analyseur Python possible utilisant minidom est :

import os
from xml.dom import minidom
from xml.parsers.expat import ExpatError

#-------- Select the XML file: --------#
#Current file name and directory:
curpath = os.path.dirname( os.path.realpath(__file__) )
filename = os.path.join(curpath, "sample.xml")
#print "Filename: %s" % (filename)

#-------- Parse the XML file: --------#
try:
    #Parse the given XML file:
    xmldoc = minidom.parse(filepath)
except ExpatError as e:
    print "[XML] Error (line %d): %d" % (e.lineno, e.code)
    print "[XML] Offset: %d" % (e.offset)
    raise e
except IOError as e:
    print "[IO] I/O Error %d: %s" % (e.errno, e.strerror)
    raise e
else:
    catalog = xmldoc.documentElement
    books = catalog.getElementsByTagName("book")

    for book in books:
        print book.getAttribute('isdn')
        print book.getElementsByTagName('author')[0].firstChild.data
        print book.getElementsByTagName('title')[0].firstChild.data

Notez que xml.parsers.expat est une interface Python pour l'analyseur XML non validant Expat (docs.python.org/2/library/pyexpat.html).

Le site xml.dom Le paquet fournit également la classe d'exception DOMException mais il n'est pas supprimé dans minidom !

L'API XML ElementTree :

Lien .

ElementTree est beaucoup plus facile à utiliser et nécessite moins de mémoire que XML DOM. De plus, une implémentation en C est disponible ( xml.etree.cElementTree ).

Un analyseur Python possible utilisant ElementTree est :

import os
from xml.etree import cElementTree  # C implementation of xml.etree.ElementTree
from xml.parsers.expat import ExpatError  # XML formatting errors

#-------- Select the XML file: --------#
#Current file name and directory:
curpath = os.path.dirname( os.path.realpath(__file__) )
filename = os.path.join(curpath, "sample.xml")
#print "Filename: %s" % (filename)

#-------- Parse the XML file: --------#
try:
    #Parse the given XML file:
    tree = cElementTree.parse(filename)
except ExpatError as e:
    print "[XML] Error (line %d): %d" % (e.lineno, e.code)
    print "[XML] Offset: %d" % (e.offset)
    raise e
except IOError as e:
    print "[XML] I/O Error %d: %s" % (e.errno, e.strerror)
    raise e
else:
    catalogue = tree.getroot()

    for book in catalogue:
        print book.attrib.get("isdn")
        print book.find('author').text
        print book.find('title').text

Answer 3

ElementTree a une API plus pythique. Il fait également partie de la bibliothèque standard, ce qui permet de réduire les dépendances.

En fait, je préfère lxml car il dispose d'une API comme ElementTree, mais il a également de belles fonctionnalités supplémentaires et fonctionne bien.

Answer 4

La fonction parse() d'ElementTree ressemble à DOM, tandis que la fonction iterparse() ressemble à SAX. À mon avis, ElementTree est meilleur que DOM et SAX dans la mesure où il fournit une API plus facile à utiliser.