17、使用Python解析和处理iTunes音乐库的XML文件

使用Python解析和处理iTunes音乐库的XML文件

1. 读取iTunes数据库

计算机使用XML（可扩展标记语言）来结构化和交换数据。如果你使用iTunes管理音乐，那么你会发现iTunes的音乐库是以XML格式存储的。这个文件通常位于iTunes目录下，名为 iTunes Music Library.xml 。这是一个文本文件，可以用简单的文本编辑器查看。文件的开头部分如下：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple Computer//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">

这个文件的结构是典型的XML文档结构。第一行标识了用于编码信息的XML版本。第二行标识了文档类型，或者说是文档类型定义（DOCTYPE）。DOCTYPE提供的信息中包括对一个文件的引用，在这个文件中描述了各种标签的含义。

文件结构

文件的主要部分被描述为一个 plist ，这实际上是一个类似于Python中的列表数据类型。这个列表的第一个元素是一个字典，它是一系列键和值对的集合，类似于Python中的字典数据类型。接下来是一系列的键及其关联的值。每个键是一个字符串；然而，值有不同的类型：一些是整数，一些是字符串，还有一个， tracks 字段，是另一个字典。

字典用于记录存储在数据库中每首歌曲（轨道）的信息。存储的信息包括歌曲的名字，艺术家的名字，作曲家，专辑和其他信息。

2. 解析XML

XML文件只是文本文件，所以你可以简单地使用标准文件命令逐行读取文件描述。然而，读取标签字段，将标签名称与其中包含的数据分开，并匹配每个打开标签与相应的关闭标签是复杂的操作，你可能希望避免，如果可能的话。幸运的是，已经设计了许多XML解析器来简化这个过程。XML文件的任务可以采用两种通用方法，且两种通用库也常被使用。一种方法是将整个XML文档读入一个巨大的结构中，然后将结构拆开来找到感兴趣的项。这里，解析器完成其工作，将值返回给程序员。然后程序员操作返回的值。这被称为文档对象模型（DOM）方法。如果文档很小或者必须与程序的许多部分共享，这种方法最为简单。

使用DOM模型解析XML文件

我们的第一个程序展示了如何使用Python的 xml.dom.minidom 库解析XML文件。在函数定义之外，程序自身是少于10行的代码。函数名为 parse 的函数正在做大部分工作。文件的实际工作如下：

import xml.dom.minidom

def parse(file_name):
    itunesdb = xml.dom.minidom.parse(file_name)
    print(itunesdb.documentElement)

示例输出

你可以通过在交互模式下尝试这个函数来开始实验。在你找到iTunes XML文件后，尝试输入以下三行：

import xml.dom.minidom
itunesdb = xml.dom.minidom.parse("iTunes Music Library.xml")
print(itunesdb.documentElement)

这个简短的实验说明了XML解析器的一个缺点。解析器不知道输入的哪部分是重要的，所以它保存了一切，包括换行和空格字符。在这种情况下，出现在前面的文本与字典标签之后的内容不重要。函数移除文本是一个简单的例程，移除这些多余的文本节点，留下元素的兴趣。

XML数据结构

如果你检查iTunes数据库的初始几行，你可以看到数据库的结构是一个包含有关数据库自身信息的字典。这个字典中的一个字段名为 Tracks ，它包括数据库中每一首歌曲的一个轨道。该字段本身持有一个字典，其中包含有关歌曲名字、艺术家、作曲家等信息的条目。

函数 readInfo 用于执行XML节点与等价Python表示之间的转换。整数使用函数 int 进行转换，字典通过递归调用 readKeys 处理，所有其他值（如字符串和日期）则保持原样。

将XML形式转换为Python结构后，访问名为 Tracks 的输入框以加载歌曲字典。使用循环访问每一首歌曲，并使用打印语句生成关于每首歌曲的一些信息。示例输出可能如下所示：

感觉相同的方式：诺拉·琼斯：2002年
随我一起离开：诺拉·琼斯：2002年
射月：诺拉·琼斯：2002年
你认为什么：塞琳娜：1992年

mermaid流程图

以下是DOM解析器的工作流程图：

graph TD;
    A[开始解析] --> B[读取XML文件];
    B --> C[创建DOM树];
    C --> D[遍历DOM树];
    D --> E[提取所需数据];
    E --> F[返回解析结果];

3. 示例程序

接下来，我们提供一个完整的示例程序，该程序读取XML文件并将其中的歌曲信息打印出来。这个程序展示了如何使用Python的 xml.dom.minidom 库解析XML文件，并将其中的歌曲信息提取出来。

import xml.dom.minidom

def parse(file_name):
    itunesdb = xml.dom.minidom.parse(file_name)

    def remove_text(node_list):
        return [node for node in node_list if not node.nodeType == node.TEXT_NODE]

    tracks = itunesdb.getElementsByTagName("dict")[0]
    tracks = remove_text(tracks.childNodes)

    def read_keys(node_list):
        result = {}
        key = None
        for node in node_list:
            if node.nodeName == "key":
                key = node.firstChild.nodeValue
            else:
                if key:
                    result[key] = node.firstChild.nodeValue if node.firstChild else None
                    key = None
        return result

    tracks_info = read_keys(tracks)

    for track_id, track_info in tracks_info.items():
        print(f"{track_info['Name']}: {track_info['Artist']} ({track_info['Year']})")

示例输出

感觉相同的方式：诺拉·琼斯：2002年
随我一起离开：诺拉·琼斯：2002年
射月：诺拉·琼斯：2002年
你认为什么：塞琳娜：1992年

4. SAX vs DOM模型

DOM模型的替代品是SAX，即XML的简单API。SAX模型围绕事件的概念构建，这些事件是程序员感兴趣的行动。对于每个事件，程序员可以定义将处理事件的代码。对于XML解析器，使用了三种主要类别的事件。第一个发生在已识别标签的开始时，第二个发生在已识别标签之间的文本时，第三个也是最后一个事件是处理结束标签。每一个都由类中的一个方法处理。

SAX解析器

为了制作一种专门类型的解析器，程序员只需构建一个继承自这个类的新类，并重写适当的方法。SAX解析器会忽略大多数数据字段，只处理那些感兴趣的字段——即与数据库中各个歌曲相关联的键。

from xml.sax import make_parser, handler

class iTunesHandler(handler.ContentHandler):
    def __init__(self):
        self.current_key = ""
        self.current_track = {}
        self.tracks = []

    def startElement(self, name, attrs):
        self.current_key = name

    def characters(self, content):
        if self.current_key and self.current_key != "dict":
            self.current_track[self.current_key] = content.strip()

    def endElement(self, name):
        if name == "dict":
            if self.current_track:
                self.tracks.append(self.current_track)
                self.current_track = {}
        self.current_key = ""

def parse_sax(file_name):
    parser = make_parser()
    sax_handler = iTunesHandler()
    parser.setContentHandler(sax_handler)
    parser.parse(open(file_name))
    return sax_handler.tracks

tracks = parse_sax("iTunes Music Library.xml")
for track in tracks:
    print(f"{track['Name']}: {track['Artist']} ({track['Year']})")

mermaid流程图

以下是SAX解析器的工作流程图：

graph TD;
    A[开始解析] --> B[初始化SAX解析器];
    B --> C[设置内容处理器];
    C --> D[解析XML文件];
    D --> E[处理事件];
    E --> F[提取所需数据];
    F --> G[返回解析结果];

对比DOM和SAX模型

特性	DOM模型	SAX模型
内存占用	较高，因为需要构建整个文档树	较低，因为只处理当前节点
处理速度	较慢，因为需要构建整个文档树	较快，因为只处理当前节点
适用场景	文档较小或需要频繁访问多个节点时	文档较大或只需要处理部分内容时

通过这些内容，读者能够学习到如何有效地从XML文件中提取所需信息，并了解不同解析技术的选择依据。

5. 扩展练习

为了加深对XML解析的理解，并提高编程技能，以下是几个练习题，鼓励读者尝试使用这两种解析方法对XML文件进行不同方式的处理：

5.1 检查文档类型定义

检查iTunes数据库中DOCTYPE条目所描述的文档类型定义（DTD）文件。它描述了哪些XML标签？通过访问DTD文件（如 http://www.apple.com/DTDs/PropertyList-1.0.dtd ），你可以了解到每个标签的作用和结构。

5.2 使用文本编辑器发现信息

假设你有自己iTunes XML数据库文件的访问权限，你可以使用文本编辑器来发现数据库中每个轨道（歌曲）存储了哪些信息。具体步骤如下：

1. 打开 iTunes Music Library.xml 文件。
2. 搜索 <key> 标签，找到包含歌曲信息的部分。
3. 观察每个 <key> 标签后的值，如歌曲名、艺术家、专辑等。

5.3 编写DOM解析器程序

编写一个使用DOM解析器的Python程序来揭示这些信息。程序可以按照以下步骤进行：

1. 使用 xml.dom.minidom 库解析XML文件。
2. 遍历DOM树，提取所有歌曲信息。
3. 打印每首歌曲的详细信息，如歌曲名、艺术家、专辑、年份等。

示例代码

import xml.dom.minidom

def parse_dom(file_name):
    itunesdb = xml.dom.minidom.parse(file_name)

    def remove_text(node_list):
        return [node for node in node_list if not node.nodeType == node.TEXT_NODE]

    tracks = itunesdb.getElementsByTagName("dict")[0]
    tracks = remove_text(tracks.childNodes)

    def read_keys(node_list):
        result = {}
        key = None
        for node in node_list:
            if node.nodeName == "key":
                key = node.firstChild.nodeValue
            else:
                if key:
                    result[key] = node.firstChild.nodeValue if node.firstChild else None
                    key = None
        return result

    tracks_info = read_keys(tracks)

    for track_id, track_info in tracks_info.items():
        print(f"{track_info['Name']}: {track_info['Artist']} - {track_info['Album']} ({track_info['Year']})")

parse_dom("iTunes Music Library.xml")

5.4 扩展DOM解析程序

我们的应用程序在移动到下一首歌曲之前，只输出每首歌曲的一小部分信息。你可以扩展程序，打印更多详细信息，如流派、持续时间、播放次数等。打印值的顺序将与数据库中的顺序相匹配。

5.5 生成摘要信息

大多数XML应用程序会收集大量信息，然后以不同的顺序生成摘要或摘要。你可以从DOM解析应用程序开始，重写程序以生成以下各项：

• 按字母顺序列出数据库中所有歌曲 ，并为每首歌曲列出作曲家和艺术家。
• 按字母顺序列出数据库中每个专辑 ，并为每个专辑生成按字母顺序排列的歌曲列表。
• 按字母顺序列出作曲家 ，并为每位作曲家列出包含其作品的所有歌曲、艺术家和专辑。

示例代码

import xml.dom.minidom

def generate_summary(file_name):
    itunesdb = xml.dom.minidom.parse(file_name)

    def remove_text(node_list):
        return [node for node in node_list if not node.nodeType == node.TEXT_NODE]

    tracks = itunesdb.getElementsByTagName("dict")[0]
    tracks = remove_text(tracks.childNodes)

    def read_keys(node_list):
        result = {}
        key = None
        for node in node_list:
            if node.nodeName == "key":
                key = node.firstChild.nodeValue
            else:
                if key:
                    result[key] = node.firstChild.nodeValue if node.firstChild else None
                    key = None
        return result

    tracks_info = read_keys(tracks)

    songs = []
    albums = {}
    composers = {}

    for track_id, track_info in tracks_info.items():
        song = {
            'name': track_info.get('Name'),
            'artist': track_info.get('Artist'),
            'album': track_info.get('Album'),
            'composer': track_info.get('Composer')
        }
        songs.append(song)

        album = track_info.get('Album')
        if album not in albums:
            albums[album] = []
        albums[album].append(song)

        composer = track_info.get('Composer')
        if composer not in composers:
            composers[composer] = []
        composers[composer].append(song)

    # 按字母顺序列出所有歌曲
    songs.sort(key=lambda x: x['name'])
    print("按字母顺序列出所有歌曲:")
    for song in songs:
        print(f"{song['name']}: {song['composer']} - {song['artist']}")

    # 按字母顺序列出每个专辑
    albums = dict(sorted(albums.items()))
    print("\n按字母顺序列出每个专辑:")
    for album, songs in albums.items():
        print(f"专辑: {album}")
        songs.sort(key=lambda x: x['name'])
        for song in songs:
            print(f"  - {song['name']}")

    # 按字母顺序列出作曲家
    composers = dict(sorted(composers.items()))
    print("\n按字母顺序列出作曲家:")
    for composer, songs in composers.items():
        print(f"作曲家: {composer}")
        for song in songs:
            print(f"  - {song['name']} - {song['artist']} - {song['album']}")

generate_summary("iTunes Music Library.xml")

6. 比较和对比DOM和SAX解析模型

相似之处

• 事件驱动 ：SAX和DOM解析器都可以通过事件驱动的方式来处理XML文件。DOM解析器通过遍历DOM树来触发事件，而SAX解析器通过回调函数来处理事件。
• 支持标准库 ：Python的标准库中都提供了这两种解析器的支持，分别是 xml.dom.minidom 和 xml.sax 。

不同之处

特性	DOM模型	SAX模型
内存占用	较高，因为需要构建整个文档树	较低，因为只处理当前节点
处理速度	较慢，因为需要构建整个文档树	较快，因为只处理当前节点
适用场景	文档较小或需要频繁访问多个节点时	文档较大或只需要处理部分内容时
处理方式	构建整个文档树后进行处理	流式处理，逐节点解析
修改能力	可以方便地修改和查询整个文档树	不适合修改文档结构，主要用于读取

适用场景

• DOM模型 ：适用于需要频繁访问多个节点的情况，如生成报告或进行复杂查询。
• SAX模型 ：适用于处理大型XML文件或只需要处理部分内容的情况，如实时数据流处理。

XML文档描述信息的方式

XML文档描述信息的方式更倾向于DOM模型，因为DOM模型更适合处理结构化数据，尤其是在需要频繁访问和修改数据的情况下。然而，对于大型XML文件或实时数据流，SAX模型更为高效。

通过这些内容，读者能够更深入地理解XML解析的技术细节，并掌握如何根据具体需求选择合适的解析方法。