ADSL拨号VPS包含了中国大陆（联通，移动，电信，）

中国香港，国外拨号VPS。

from urllib.request import urlopenfrom xml.etree.ElementTree import parse# Download the RSS feed and parse itu = urlopen('http://planet.python.org/rss20.xml')doc = parse(u)# Extract and output tags of interestfor item in doc.iterfind('channel/item'):  title = item.findtext('title')  date = item.findtext('pubDate')  link = item.findtext('link')  print(title)  print(date)  print(link)  print()

运行上面的代码，输出结果类似这样：

Steve Holden: Python for Data AnalysisMon, 19 Nov 2012 02:13:51 +0000http://holdenweb.blogspot.com/2012/11/python-for-data-analysis.htmlVasudev Ram: The Python Data model (for v2 and v3)Sun, 18 Nov 2012 22:06:47 +0000http://jugad2.blogspot.com/2012/11/the-python-data-model.htmlPython Diary: Been playing around with Object DatabasesSun, 18 Nov 2012 20:40:29 +0000http://www.pythondiary.com/blog/Nov.18,2012/been-...-object-databases.htmlVasudev Ram: Wakari, Scientific Python in the cloudSun, 18 Nov 2012 20:19:41 +0000http://jugad2.blogspot.com/2012/11/wakari-scientific-python-in-cloud.htmlJesse Jiryu Davis: Toro: synchronization primitives for Tornado coroutinesSun, 18 Nov 2012 20:17:49 +0000http://feedproxy.google.com/~r/EmptysquarePython/~3/_DOZT2Kd0hQ/

很显然，如果你想做进一步的处理，你需要替换 print() 语句来完成其他有趣的事。

在很多应用程序中处理XML编码格式的数据是很常见的。不仅因为XML在Internet上面已经被广泛应用于数据交换，同时它也是一种存储应用程序数据的常用格式(比如字处理，音乐库等)。接下来的讨论会先假定读者已经对XML基础比较熟悉了。

在很多情况下，当使用XML来仅仅存储数据的时候，对应的文档结构非常紧凑并且直观。例如，上面例子中的RSS订阅源类似于下面的格式：

<?xml version="1.0"?><rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/">  <channel>    <title>Planet Python</title>    <link>http://planet.python.org/</link>    <language>en</language>    <description>Planet Python - http://planet.python.org/</description>    <item>      <title>Steve Holden: Python for Data Analysis</title>      <guid>http://holdenweb.blogspot.com/...-data-analysis.html</guid>      <link>http://holdenweb.blogspot.com/...-data-analysis.html</link>      <description>...</description>      <pubDate>Mon, 19 Nov 2012 02:13:51 +0000</pubDate>    </item>    <item>      <title>Vasudev Ram: The Python Data model (for v2 and v3)</title>      <guid>http://jugad2.blogspot.com/...-data-model.html</guid>      <link>http://jugad2.blogspot.com/...-data-model.html</link>      <description>...</description>      <pubDate>Sun, 18 Nov 2012 22:06:47 +0000</pubDate>    </item>    <item>      <title>Python Diary: Been playing around with Object Databases</title>      <guid>http://www.pythondiary.com/...-object-databases.html</guid>      <link>http://www.pythondiary.com/...-object-databases.html</link>      <description>...</description>      <pubDate>Sun, 18 Nov 2012 20:40:29 +0000</pubDate>    </item>    ...  </channel></rss>

xml.etree.ElementTree.parse() 函数解析整个XML文档并将其转换成一个文档对象。然后，你就能使用 find() 、iterfind() 和 findtext() 等方法来搜索特定的XML元素了。这些函数的参数就是某个指定的标签名，例如 channel/item 或 title 。

每次指定某个标签时，你需要遍历整个文档结构。每次搜索操作会从一个起始元素开始进行。同样，每次操作所指定的标签名也是起始元素的相对路径。例如，执行 doc.iterfind('channel/item') 来搜索所有在 channel 元素下面的 item 元素。 doc 代表文档的最顶层(也就是第一级的 rss 元素)。然后接下来的调用 item.findtext() 会从已找到的 item 元素位置开始搜索。

ElementTree 模块中的每个元素有一些重要的属性和方法，在解析的时候非常有用。 tag 属性包含了标签的名字，text 属性包含了内部的文本，而 get() 方法能获取属性值。例如：

>>> doc<xml.etree.ElementTree.ElementTree object at 0x101339510>>>> e = doc.find('channel/title')>>> e<Element 'title' at 0x10135b310>>>> e.tag'title'>>> e.text'Planet Python'>>> e.get('some_attribute')>>>

有一点要强调的是 xml.etree.ElementTree 并不是XML解析的唯一方法。对于更高级的应用程序，你需要考虑使用 lxml 。它使用了和ElementTree同样的编程接口，因此上面的例子同样也适用于lxml。你只需要将刚开始的import语句换成 from lxml.etree import parse 就行了。 lxml 完全遵循XML标准，并且速度也非常快，同时还支持验证，XSLT，和XPath等特性。

增量式解析大型XML文件
任何时候只要你遇到增量式的数据处理时，第一时间就应该想到迭代器和生成器。下面是一个很简单的函数，只使用很少的内存就能增量式的处理一个大型XML文件：

from xml.etree.ElementTree import iterparsedef parse_and_remove(filename, path):  path_parts = path.split('/')  doc = iterparse(filename, ('start', 'end'))  # Skip the root element  next(doc)  tag_stack = []  elem_stack = []  for event, elem in doc:    if event == 'start':      tag_stack.append(elem.tag)      elem_stack.append(elem)    elif event == 'end':      if tag_stack == path_parts:        yield elem        elem_stack[-2].remove(elem)      try:        tag_stack.pop()        elem_stack.pop()      except IndexError:        pass

为了测试这个函数，你需要先有一个大型的XML文件。通常你可以在政府网站或公共数据网站上找到这样的文件。例如，你可以下载XML格式的芝加哥城市道路坑洼数据库。在写这本书的时候，下载文件已经包含超过100,000行数据，编码格式类似于下面这样：

假设你想写一个脚本来按照坑洼报告数量排列邮编号码。你可以像这样做：

from xml.etree.ElementTree import parsefrom collections import Counterpotholes_by_zip = Counter()doc = parse('potholes.xml')for pothole in doc.iterfind('row/row'):  potholes_by_zip[pothole.findtext('zip')] += 1for zipcode, num in potholes_by_zip.most_common():  print(zipcode, num)

这个脚本唯一的问题是它会先将整个XML文件加载到内存中然后解析。在我的机器上，为了运行这个程序需要用到450MB左右的内存空间。如果使用如下代码，程序只需要修改一点点：

from collections import Counterpotholes_by_zip = Counter()data = parse_and_remove('potholes.xml', 'row/row')for pothole in data:  potholes_by_zip[pothole.findtext('zip')] += 1for zipcode, num in potholes_by_zip.most_common():  print(zipcode, num)

结果是：这个版本的代码运行时只需要7MB的内存–大大节约了内存资源。

讨论
这里技术会依赖 ElementTree 模块中的两个核心功能。第一，iterparse() 方法允许对XML文档进行增量操作。使用时，你需要提供文件名和一个包含下面一种或多种类型的事件列表： start , end, start-ns 和 end-ns 。由 iterparse() 创建的迭代器会产生形如 (event, elem) 的元组，其中 event 是上述事件列表中的某一个，而 elem 是相应的XML元素。例如：

>>> data = iterparse('potholes.xml',('start','end'))>>> next(data)('start', <Element 'response' at 0x100771d60>)>>> next(data)('start', <Element 'row' at 0x100771e68>)>>> next(data)('start', <Element 'row' at 0x100771fc8>)>>> next(data)('start', <Element 'creation_date' at 0x100771f18>)>>> next(data)('end', <Element 'creation_date' at 0x100771f18>)>>> next(data)('start', <Element 'status' at 0x1006a7f18>)>>> next(data)('end', <Element 'status' at 0x1006a7f18>)>>>

start 事件在某个元素第一次被创建并且还没有被插入其他数据(如子元素)时被创建。而 end 事件在某个元素已经完成时被创建。尽管没有在例子中演示， start-ns 和 end-ns 事件被用来处理XML文档命名空间的声明。

这本节例子中， start 和 end 事件被用来管理元素和标签栈。栈代表了文档被解析时的层次结构，还被用来判断某个元素是否匹配传给函数 parse_and_remove() 的路径。如果匹配，就利用 yield 语句向调用者返回这个元素。

在 yield 之后的下面这个语句才是使得程序占用极少内存的ElementTree的核心特性：