Разбор Python BeautifulSoup XML

Question

Я написал простой скрипт для разбора логов XML-чата с помощью модуля BeautifulSoup. Стандартный soup.prettify () работает нормально, за исключением того, что в журналах чата много пуха. Ниже вы можете увидеть и код скрипта, и часть входного XML-файла, с которым я работаю:

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])

Проверка 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'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>

Я хочу иметь возможность выводить это в формате, подобном следующему, или, по крайней мере, во что-то более читаемое, чем чистый XML:

Джон: Эй, как жизнь? [31.10.10 @ 3: 43p]

Джон: Получил ваше сообщение [31.10.10 @ 3: 44p]

Билл: о, отлично [31.10.10 @ 3: 44p]

и т. Д. Я слышал кое-что приличное о модуле PyParsing, может быть, пришло время попробовать его.

Answer 1

BeautifulSoup делает получение атрибутов и значений в xml действительно простым. Я настроил ваш пример функции, чтобы использовать эти функции.

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

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

Обновление: в некоторых из моих недавних публикаций здесь предлагается lxml как библиотека, созданная и улучшающая стандарт ElementTree.