Programujeme s XML (2.) - DOM v rychlíku

Od minula již umíme načíst, uložit a vytvořit nový dokument, dnes se podíváme na nejjednušší manipulace s ním.

8.6.2004 15:00 | Aleš Hakl | přečteno 18842×

Zjišťujeme atributy

Pokud máme nějakou instanci třídy element, můžeme prostřednictvím metody getAttribute() (v případě DOM2 i pomocí její varianty pracující se jmenými prostory) zjistit hodnotu některého z jeho atributů. Například pro kořenový element (v pythonu, ale ono je to ve všech třech našich jazycích vlastně stejné, pouze musíme navíc používat přetypování):

>>> doc
<XML Document at 4079e60c>
>>> doc.documentElement.getAttribute("atribut")
u'nejaka hodnota'

Jenom maáa poznamka - zápis u'něco' v pythonu značí řetězec znaku v kódování Unicode.

Hledáme elementy podle názvu

Pomocí metody getElementsByTagName() (připadně getElementsByTagNameNS()) můžeme vyhledat všechny subelementy daného názvu (a případně jmenného prostoru). Výsledkem je instance třídy NodeList, ta je vcelku jednoduchá, má atribut length obsahujícící počet položek a metodu item() vracející danou položku.

>>> nodelist = doc.getElementsByTagName("textovy-element")
>>> nodelist
<NodeList at 403f2aac: [<Element Node at 407aec0c: Name='textovy-element' with 0 attributes and 1 children>]>

Nyní můžeme z našeho ukázkového dokumentu zkusit dostat hodnotu některého z atributů vnořených elementů:

>>> doc.documentElement. getElementsByTagName('vnorene-elementy').item(0). getElementsByTagName('vnitrni-element').item(1). getAttribute('poradi')
u'2'

Jenom bych dodal, že metoda item() třídy NodeList v případě, že daný element neexistuje, vrátí null, tedy v případě Pythonu datový typ(hodnotu) None a v Pascalu hodnotu nil.

Textové uzly

Protože dokumenty neobshují jen elementy a atributy, ale i text, bylo by záhodno, umět s tímto textem manipulovat. Pokud nepotřebujeme používat v DTD definované entity, můžeme použít jednoduchou a rychlou metodu:

Zavoláme metodu normalize(), jež spojí všechny sousedící textové uzly. Pokud si můžeme být jisti tím, že kde očekáváme text, je opravdu pouze text a případně standardní entity (&gt;, &lt;, &amp; a číselné unicode entity), dostaneme všude, kde má být text, jeden textový uzel. Ten poté můžeme snadno načíst:

>>> doc.normalize()
>>> doc.documentElement. getElementsByTagName('textovy-element').item(0). firstChild.data
u'\n Ja opravdu nebudu nikoho oznacovat za alkoholika ^_~\n '

Tento přístup je často dostačující, ale občas potřebujeme zpracovat i dokumenty se složitější strukturou. Potom musíme iterovat přes jednotlivé dceřiné uzly a textový řetězec si zrekonstruovat sami. Není to zrovna přehledné, ale kdo něco podobného potřebuje, jistě sám vymyslí jak na to, jediným problemém je, že musíme poznat, které uzly nás zajímají (text, CDATA, případně entity) a pak správně pospojovat jejich obsah.

Procházíme elementy

Jistě jste si všimli, že máme několik možností, jak procházet obsah elementů. Můžeme používat atribut childNodes obalujicího uzlu a postupně dereferencovat další uzly:

>>> element.childNodes.item(0)
<Text Node at 4079580c: u'\\0xa '>
>>> element.childNodes.item(1)
<Element Node at 40795a4c: Name='vnitrni-element' with 1 attributes and 0 children>
# a tak dale . . .

Nebo můžeme postupně používat atribudy nextSibling a previousSibling a přímo procházet uzly, tento přístup by měl být dle mého názoru o něco málo rychlejší a funkčně je shodný s předchozím.

>>> element = element.firstChild
>>> element
<Text Node at 4079580c: u'\\0xa '>
>>> element = element.nextSibling
>>> element
<Element Node at 40795a4c: Name='vnitrni-element' with 1 attributes and 0 children>

Takto můžeme postupně projít všechny uzly, pokud nás ovšem zajímají pouze elementy a navíc pouze elementy daného názvu, můžeme použít výše zmíněnou metodu getElementsByTagName() třídy Element, tím získáme seznam dceřiných elementů s daným názvem:

>>> nodelist = element.getElementsByTagName('vnitrni-element')
>>> nodelist
<NodeList at 403f2aac: [<Element Node at 4079bb2c: Name='vnitrni-element' with 1 attributes and 0 children>, <Element Node at 4079e40c: Name='vnitrni-element' with 1 attributes and 1 children>, <Element Node at 4079eeec: Name='vnitrni-element' with 1 attributes and 0 children>]>
>>> nodelist.item(0)
<Element Node at 4079bb2c: Name='vnitrni-element' with 1 attributes and 0 children>
>>> nodelist.item(1)
<Element Node at 4079e40c: Name='vnitrni-element' with 1 attributes and 1 children>
# a tak dale ...

Jako specialita v Pythonu existuje třída TreeWalker, jenž nám umožní projít celý podstrom daného uzlu a určit, které uzly nás zajímají. Ale protože Python není jediný jazyk, který nás zajímá, případné zájemce odkážu na ukázkový příklad v (poněkud nekompletní) dokumentaci knihovny PyXML.

Všechny dnešní ukázky jsou psané v Pythonu, hodilo by se tedy uvést několik poznámek:

Příště se podíváme na to jak v dokumentu vytvářet nové uzly, ať již elementy, text nebo třeba komentáře. A asi se porozhlédnu na internetu po nějakém méně vyumělkovaném ukázkovém dokumentu.

Online verze článku: http://www.linuxsoft.cz/article.php?id_article=186