Python BeautifulSoup XML Parsing

Question

He escrito un script simple para analizar los registros de chat XML utilizando el módulo BeautifulSoup. El estándar soup.prettify() funciona bien, excepto que los registros de chat tienen mucha pelusa. Se puede ver tanto el código de secuencia de comandos y algunos de los archivos de entrada XML que estoy trabajando a continuación:

Código

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]) 

de entrada XML de prueba

<?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> 

estoy querer poder mostrar esto en un formato como el siguiente o al menos algo que sea más legible que XML puro:

Jon: Oye, ¿qué pasa? [10/31/10 @ 3: 43p]

Jon: conseguido su mensaje [10/31/10 @ 3: 44p]

Bill: oh, gran [10/31/10 @ 3 : 44p]

etc. He oído algunas cosas decentes sobre el módulo PyParsing, tal vez es hora de darle una oportunidad.

Answer 1

BeautifulSoup hace que obtener atributos y valores en xml sea realmente simple. Ajusté tu función de ejemplo para usar estas funciones.

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

Recomendaría utilizar el módulo integrado ElementTree. BeautifulSoup está diseñado para manejar código mal formado como HTML pirateado, mientras que XML está bien formado y debe ser leído por una biblioteca XML.

Actualización: algunas de mis lecturas recientes sugieren que lxml es una biblioteca integrada y mejora el ElementTree estándar.