Python之sax的ContentHandler类方法处理多行内容的情况

最新推荐文章于 2025-06-09 09:03:15 发布

原创最新推荐文章于 2025-06-09 09:03:15 发布 · 2.6k 阅读

2 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

22 篇文章

订阅专栏

本文介绍了使用Python的SAX解析XML时，如何处理包含多行内容的元素，特别是`<stars>`标签。通过ContentHandler类的方法，如characters、startElement和endElement，实现对多行内容的正确捕获和输出。当`<stars>`内容有换行时，常规方法无法获取完整内容，但通过在characters事件中累积字符，在endElement事件中筛选并打印，可以成功获取多行文本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先贴出一个对contentHandler类方法的介绍，参考自

http://www.linuxidc.com/Linux/2015-01/111147.htm

characters(content)方法
- 调用时机
- 从行开始，遇到标签之前，存在字符，content的值为这些字符串。
- 从一个标签，遇到下一个标签之前，存在字符，content的值为这些字符串。
- 从一个标签，遇到行结束符之前，存在字符，content的值为这些字符串。
- 标签可以是开始标签，也可以是结束标签。
startDocument()方法：文档启动的时候调用。
endDocument()方法：解析器到达文档结尾时调用。
startElement(name, attrs)方法：遇到XML开始标签时调用，name是标签的名字，attrs是标签的属性值字典。
endElement(name)方法：遇到XML结束标签时调用。

问题描述：

对于如下xml文件，文件中有多个<movie>标签，此处只贴出一个作为例子。看到<stars>标签中的内容存在换行的情况，目标是想要输出所有<stars>标签中的完整的内容。

<movie title="Transformers">
   <type>Anime, Science Fiction</type>
   <format>DVD</format>
   <year>1989</year>
   <rating>R</rating>
   <stars>
   1)abc
   2)123
   </stars>
   <description>A schientific fiction</description>
</movie>

一种非常简单的处理方式是：在characters事件中把当前content到保存到私有变量中，然后在endElement事件中筛选出<stars>标签。当找到目标标签时打印出content的值。因为sax流式处理xml文档，故后面的content会将之前的覆盖，以此保证打印出的content值是所期望的。

   # 元素开始事件处理
   def startElement(self, tag, attributes):
      pass

   # 元素结束事件处理
   def endElement(self, tag):    
      if tag == "stars":
         print(self.content)

   # 内容事件处理
   def characters(self, content):
      self.content = content

当<stars>标签中的内容无换行时，其内容可以正常获取到。但当它的内容存在换行时，打印出的结果为空。

改进的处理方法是定义一个名为content的变量，在startElement事件中将其赋值为空，每遇到一次</stars>结束标签，就在endElement事件中打印出这个变量的值，最后，最最关键的是在characters事件中对它的值做字符串拼接。

   # 元素开始事件处理
   def startElement(self, tag, attributes):
      self.content = ""
      
   # 元素结束事件处理
   def endElement(self, tag):
      if tag == 'stars' :
         print ('content is : ',self.content)
      self.content = ""

   # 内容事件处理
   def characters(self, content):
      self.content += content

这样，遇到<stars>标签将content变量置空，然后characters事件不断把遇到的字符叠加到content变量中，直到遇到</stars>结束标签将其打印出来，并重新置为空。这样得到的结果与期望目标一致，能够把多行内容获取到。这相当于定义了一个buffer, 所有满足条件的字符先存放到buffer中，然后一次性输出。

最后得到的结果是：

content is :  #注意这里有换行
  1)abc
  2)123
   #注意这里也有一行空白