Python爬虫之XML

一、请求参数形式为xml

举例说明。

现在有这样一个网址：https://www.runff.com/html/live/s1484.html；想要查询图片列表，打开F12，观察到请求如下：

这里的请求参数形式为xml，使用python模仿请求的代码这样写

import requests

fid = 3748813
bib = 25001

url = "https://www.runff.com/html/live/s1484.html"
params = {
    "isbxapimode": "true",
    "_xmltime": "1543561724351.0.3817698648690635"
}
headers = {
    "cookie": "ASP.NET_SessionId=hb30jkbmqnfwyhjo0iqrrkdi",
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36",
}
payload = '<?xml version="1.0" encoding="utf-8"?><BxMessage><AppId>BxAPI</AppId><Type>1</Type>' \
          '<Action>getPhotoList</Action><Data><fid>{}</fid>' \
          '<number>{}</number><minpid>0</minpid>' \
          '<time>Wed Nov 21 2018 14:21:42 GMT+0800 (中国标准时间)</time><sign>false</sign>' \
          '<pagesize>100</pagesize></Data></BxMessage>'.format(fid, bib)
payload = payload.encode('utf-8')
r = requests.post(url, headers=headers, params=params, data=payload, timeout=3)
print(r.content.decode('utf-8'))

这里主要使用了post方法，将xml的参数直接以字符串的形式传给post的‘data’参数。

可以看到我们返回内容也是xml。这个时候就需要解析xml。

二、xml解析

xml原文（与上文的请求返回结果无关）：

<?xml version="1.0" encoding="utf-8"?>
<BxMessage>
    <AppId>BxAPI</AppId>
    <Type>2</Type>
    <Action>getPhotoList</Action>
    <StateCode>2</StateCode>
    <Message index="">请先登录</Message>
    <Message index="">ok</Message>
    <Data></Data>
</BxMessage>

1.直接转成json处理

　　使用  xmltodict 库

　　代码：

from xmltodict import parse

xml = '<?xml version="1.0" encoding="utf-8"?><BxMessage><AppId>BxAPI</AppId><Type>2</Type>' \
      '<Action>getPhotoList</Action><StateCode>2</StateCode><Message index="0">请先登录</Message>' \
      '<Message index="1">ok</Message><Data></Data></BxMessage>'

data = parse(xml)  # 解析xml为有序字典
print(data)
box = data.get('BxMessage', {})  # 获取最外层的标签
app_id = box.get('AppId')  # 获取次外层的标签
print(app_id)

msg = box.get('Message', [])  # 多个标签名相同时，获取到的是标签列表
for m in msg:
    print(m.get('@index'))   # 获取属性，使用'@'前缀
    print(m.get('#text'))    # 获取标签文本，使用'#text'

　 输出：

OrderedDict([('BxMessage', OrderedDict([('AppId', 'BxAPI'), ('Type', ''), ('Action', 'getPhotoList'), ('StateCode', ''), ('Message', [OrderedDict([('@index', ''), ('#text', '请先登录')]), OrderedDict([('@index', ''), ('#text', 'ok')])]), ('Data', None)]))])
BxAPI
0
请先登录
1
ok

　　输出的是有序字典，取值可以和字典一样使用“get”。

　 假设有多个相同标签，转换成字典时，会将相同关键字的值组成一个列表。

2.直接解析xml

　  使用上文中的xml

简要解析代码：

from xml.etree import ElementTree

xml = '<?xml version="1.0" encoding="utf-8"?><BxMessage><AppId>BxAPI</AppId><Type>2</Type>' \
      '<Action>getPhotoList</Action><StateCode>2</StateCode><Message index="0">请先登录</Message>' \
      '<Message index="1">ok</Message><Data></Data></BxMessage>'

tree = ElementTree.fromstring(xml)  # 从字符串解析得到xml结构
print(tree)    # tree是一个xml 元素， BxMessage
box = tree.find('Message')  # 找tree下一级的标签
print(box)  # box是一个xml 元素， BxMessage
print(box.text)  # 输出标签的内容
print(box.get('index'))  # 获取标签属性
boxes = tree.findall('Message')  # 找到所有该名字的标签，
print(boxes)                      # 返回一个列表

输出：

<Element 'BxMessage' at 0x00000217E207D368>
<Element 'Message' at 0x00000217E9CB0958>
请先登录
0
[<Element 'Message' at 0x00000217E9CB0958>, <Element 'Message' at 0x00000217E9CB98B8>]