python用ElemenTree快速高效的解析xml

python解析xml有很多种方法，比较流行的由SAX，DOM和ElementTree，简要介绍一下这几种方法的异同：

方法	特点
SAX	SAX解析通过流模式在解析XML的过程中触发对应的事件（start_element、char_data、end_element）并调用用户定义的回调函数来处理XML文件。
DOM	DOM 将XML数据在内存中解析成一个树，通过对树的操作来操作XML，占用内存大，解析速度较慢，优点是可以任意遍历树的节点。
ElementTree	ElementTree 类似一个轻量级的DOM

接下来主要介绍ElementTree，该模块实现了一个简单而有效的API来解析和创建xml数据，是的，他不仅可以解析xml而且可以修改xml哦！！！

xml是什么？
xml是一种固有的分层数据格式，最自然的代表他的方式就是使用一棵树。xml.etree.ElementTree有两个类用于将xml文档表示为树，并且Element代表树的单个节点。与整个xml文档的交互是在ElementTree级别上的完成的，与单个xml元素及其子元素的交互是在Element级别上完成的。

解析xml
巧妇难为无米之炊，首先我们准备一个xml文档作为示例数（这是我爬虫的一个xml文件，我直接用这个文档为大家演示里边的信息，大家可以自动忽略）：

<?xml version="1.0" encoding="UTF-8"?>

 <rules>

   <rule type="base" name="iaaf" allow_domains="iaaf.org" >

    <urls>

      <host_url>https://www.iaaf.org</host_url>

      <start_urls>https://www.iaaf.org/news</start_urls>

      <urllist pagestep="12" pages="1000" regex=" \'Articleurl\':\'(.*?)\'">

       <next_page>https://www.iaaf.org/data/news/typegroup/?take=12&amp;skip={}</next_page>

      </urllist>

      </urls>

    <xpath>

      <title>//div[@id="news"]/div/div/h1[@itemprop="name"]/text()</title>

      <time>//div[@id="news"]/div/div/span/span[@itemprop="datePublished"]/text()</time>

      <type>//div[@id="news"]/div/div/span/span[@class="_label type"]/a/text()</type>

      <publish>//div[@id="news"]/div[1]/div[3]/span/span[@class="_label location"]/text()</publish>

      <html regexexclude="&lt;ul class='col-md-12 prev-next&apos;.*?&lt;/ul&gt;">//div[@id="news"</html>

      <text>//div[@id="news"]/div/div/article[@itemprop="articleBody"]/p/text()</text>

      <imglink>//div[@id="news"]/div/div/ul/li/picture/img/@src | //div[@id="news"]/div/div/ul/li/picture/source/@srcset</imglink>

      <filelink></filelink>

      </xpath>

    </rule>

  <rule type="base" name="mp" allow_domains="kuaizhan.com" >

    <urls>

      <host_url>https://482809.kuaizhan.com</host_url>

      <start_urls>https://482809.kuaizhan.com/</start_urls>

      <urllist pagestep="1" pages="1000" regex="href=\'(.*?)\'">

        <next_page>https://www.kuaizhan.com/post/ajax-postlist?site_id=4216466368&amp;param=a891b9bfac46d41ebace9eccf88f5bbb&amp;cur_page={}</next_page>

        </urllist>

     </urls>

    <xpath>

      <title>//div[@id="page-content"]/div/div[@class="mod-title t0 "]/h2/text()</title>

      <time>//div[@id="page-content"]/div/div/span[@class="time"]/text()</time>

      <type>//div[@id="news"]/div/div/span/span[@class="_label type"]/a/text()</type>

      <publish>/html/body/div/div/div[@class="cell site-title"]/div/a/p/text()</publish>

      <html>//div[@id="page-content"]/div[@class="mod mod-layout_floor article-hd"] | //div[@id="page-content"]/div/div/div[@class="mod mod-html"]</html>

      <text>//div[@id="page-content"]/div/div/div/div[@class="mp-content"]/p/span/text()</text>

      <imglink>//div[@id="page-content"]/div/div/div/div[@class="mp-content"]/p/img/@src</imglink>

      <filelink></filelink>

      </xpath>

    </rule>

  <rule type="crawl" name="athletics" allow_domains="athletics.org.cn" >

    <urls>

      <host_url/>

      <start_urls>http://www.athletics.org.cn</start_urls >

      <urllist list_url=".*/list.html" allow_url=".*/[0-9]{4}-[0-9]{2}-[0-9]{2}/[0-9]*?\.html">

        <next_page>//div[@class="nav styfff fl clear"]/ul/li/a | //div[@class="wjxz styff"]/ul/li/a</next_page>

       </urllist >

      </urls>

    <xpath>

      <title>//div[@class="main"]/div[@class="atitle"]/text() | //div[@class="main"]/div[@class="atitle"]/font/text()</title>

      <time>//div[@class="main"]/div[@class="a01 sty999"]/span/text()</time>

      <type>//div[@class="wei"]/a[2]/text()</type>

      <publish>//div[@class="main"]/div[@class="a01 sty999"]/a/text()</publish>

      <html>//div[@class="main"]</html>

      <text>//div[@class="main"]/div[@class="atext"]/p/text()</text>

      <imglink>//div[@class="main"]/div[@class="atext"]/p/img/@src</imglink>

      <filelink>//div[@class="main"]/div[@class="atext"]/p/a/@href</filelink>

      </xpath>

    </rule>

    </rules>

<!--

&lt; < 小于号

&gt; > 大于号

&amp; & 和

&apos; ' 单引号

&quot; " 双引号

-->

注意：你如果自己写的xml文档，则必须保证xml文档格式的正确性，大家看到上述xml中的最后写着转义符的注释，在xml编写中往往大家忽略了转义符而导致xml文档格式不正确。如果你的xml格式不正确，用ElementTree解析时会报not well-formed (invalid token): line 20, column 65的错误，如果大家无法判断xml是否格式正确，大家可以通过vs编写会提示你的xml的格式的错误，你也可以通过ie打开你的xml，查看xml格式是否正常。这里不多做介绍。
有了xml文件，首先我们需要将xml文件导入数据:

 import xml.etree.ElementTree as ET

 import logging

 def parsexml(xmlpath):

     try:

         tree=ET.parse(xmlpath)

     except Exception as e:

         logging.error('cannot parse file %s,error code:%s',xmlpath,e)

你也可以从字符创中直接读取数据：

import xml.etree.ElementTree as ET

import logging

def parsexml(str)

        try:

                root=ET.fromstring(str)

        except Exception as e:

                loggging.error('cannot parse str ,error code:%s',e)

fromestring()将xml从一个字符串直接解析为一个Element，所以上边代码写的是root，即为跟元素。而读取xml文件的话则会解析为一棵树，所以用tree表示。
那么接下来我们就用ET来把上边展示的xml的所有数据都解析出来并输出，代码如下：

import xml.etree.ElementTree as ET

import os

import logging

def parsexml(xmlpath):

    try:

        tree=ET.parse(xmlpath)

        root=tree.getroot()

        for child in root:

            print(child.tag,child.attrib)

        print('-----------------------------------------------')

        for rule in root.findall('rule'):

            type=rule.get('type')

            name=rule.get('name')

            allow_domains=rule.get('allow_domains')

            print(type,name,allow_domains)

            urls=rule.find('urls')

            host_url=urls.find('host_url').text

            start_urls=urls.find('start_urls').text

            print(host_url,start_urls)

            urllist=urls.find('urllist')

            pagestep=urllist.get('pagestep')

            pages=urllist.get('pages')

            regex=urllist.get('regex')

            next_page=urllist.find('next_page').text

            print(pagestep,pages,regex,next_page)

            xpath = rule.find('xpath')

            title=xpath.find('title').text

            time=xpath.find('time').text

            type=xpath.find('type').text

            print(title,time,type)

    except Exception as e:

        logging.error('Error:cannot parse file:%s',e)

if __name__=='__main__':

    xmlpath=os.getcwd()+'\\rules.xml'

    parsexml(xmlpath)

输出结果为：

rule {'type': 'base', 'name': 'iaaf', 'allow_domains': 'iaaf.org'}

rule {'type': 'base', 'name': 'mp', 'allow_domains': 'kuaizhan.com'}

rule {'type': 'crawl', 'name': 'athletics', 'allow_domains': 'athletics.org.cn'}

-----------------------------------------------

base iaaf iaaf.org

https://www.iaaf.org https://www.iaaf.org/news

12 1000  \'Articleurl\':\'(.*?)\' https://www.iaaf.org/data/news/typegroup/?take=12&skip={}

//div[@id="news"]/div/div/h1[@itemprop="name"]/text() //div[@id="news"]/div/div/span/span[@itemprop="datePublished"]/text() //div[@id="news"]/div/div/span/span[@class="_label type"]/a/text()

base mp kuaizhan.com

https://482809.kuaizhan.com https://482809.kuaizhan.com/

1 1000 href=\'(.*?)\' https://www.kuaizhan.com/post/ajax-postlist?site_id=4216466368&param=a891b9bfac46d41ebace9eccf88f5bbb&cur_page={}

//div[@id="page-content"]/div/div[@class="mod-title t0 "]/h2/text() //div[@id="page-content"]/div/div/span[@class="time"]/text() //div[@id="news"]/div/div/span/span[@class="_label type"]/a/text()

crawl athletics athletics.org.cn

None http://www.athletics.org.cn

None None None //div[@class="nav styfff fl clear"]/ul/li/a | //div[@class="wjxz styff"]/ul/li/a

//div[@class="main"]/div[@class="atitle"]/text() | //div[@class="main"]/div[@class="atitle"]/font/text() //div[@class="main"]/div[@class="a01 sty999"]/span/text() //div[@class="wei"]/a[2]/text()

给出的示例xml相对已经比较复杂了，所以基本的解析方法也都用到了额，大家可以做参考。

python用ElemenTree快速高效的解析xml的更多相关文章

python优秀库－使用xmltodict解析xml文档
上次讲到如何使用BeautifulSoup解析XML文档,今天发现另外一个python库xmltodict(https://github.com/martinblech/xmltodict)也很简单. ...
Python minidom模块(DOM写入和解析XML)
一.DOM写XML文件 #导入minidom from xml.dom import minidom # 1.创建DOM树对象 dom=minidom.Document() # 2.创建根节点.每次都 ...
【Python】etree方法生成，解析xml
#练习:另一种遍历xml文件的方式etree,xpathimport systry: import xml.etree.cElementTree as ET #前面带c的都是比较快的,效率高且不占内存 ...
用 ElementTree 在 Python 中解析 XML
用 ElementTree 在 Python 中解析 XML 原文: http://eli.thegreenplace.net/2012/03/15/processing-xml-in-python- ...
PYTHON解析XML的多种方式效率对比实测
在最初学习PYTHON的时候,只知道有DOM和SAX两种解析方法,但是其效率都不够理想,由于需要处理的文件数量太大,这两种方式耗时太高无法接受. 在网络搜索后发现,目前应用比较广泛,且效率相对较高的E ...
python 解析XML python模块xml.dom解析xml实例代码
分享下python中使用模块xml.dom解析xml文件的实例代码,学习下python解析xml文件的方法. 原文转自:http://www.jbxue.com/article/16587.html ...
python解析xml模块封装代码
在python中解析xml文件的模块用法,以及对模块封装的方法.原文转自:http://www.jbxue.com/article/16586.html 有如下的xml文件:<?xml vers ...
python解析xml之lxml
虽然python解析xml的库很多,但是,由于lxml在底层是用C语言实现的,所以lxml在速度上有明显优势.除了速度上的优势,lxml在使用方面,易用性也非常好.这里将以下面的xml数据为例,介绍l ...
长安铃木经销商爬取（解析xml、post提交、python中使用js代码）
1.通过火狐浏览器,查找大长安铃木官网中关于经销商的信息主要在两个网页中 http://www.changansuzuki.com/khfw/xml/pro.xml 地域信息 http://www. ...

随机推荐

【JAVASCRIPT】json 与 string
1. 互相转换 JSON.stringify(jsonobj) json对象转化为string JSON.parse(string) string转化为json,注意{“name”:"hxy ...
tcpdump使用方法小结
在进行网络测试的时候,我们经常需要进行抓包的工作,当然有许多测试工具可以使用,比如sniffer, ethreal等.但最为方便和简单得就非TCPDump莫属. Linux的发行版里基本都包括了这个工 ...
微信客户端+微信公众平台+新浪云SAE+Arduino+WS100（控制LED）
第一步:准备 1.智能手机微信客户端或微信电脑版 2.注册微信公众平台 https://mp.weixin.qq.com 3.注册新浪账号 http://www.sinacloud.com 4.拥有一 ...
Uva140 Bandwidth 全排列+生成测试法+剪枝
参考过仰望高端玩家的小清新的代码... 思路:1.按字典序对输入的字符串抽取字符,id[字母]=编号,id[编号]=字母,形成双射 2.邻接表用两个vector存储,存储相邻关系 ...
CI 结合 vue.js 的搜索功能模块
CI 结合 vue.js 的搜索功能模块最近在有优化公司后台的某个模块的搜索功能优化原先的是这个样子的,很是单调: 老大给我找个图希望我能弄成这样子: 经过不断修改,最后成了这样子是不是比以前好 ...
PIVOT行转列
PIVOT通过将表达式某一列中的唯一值转换为输出中的多个列来旋转表值表达式,并在必要时对最终输出中所需的任何其余列值执行聚合. 测试数据 INSERT INTO [TestRows2Columns] ...
NYOJ--513--A+B Problem IV(大数)
A+B Problem IV 时间限制:1000 ms | 内存限制:65535 KB 难度:3 描述 acmj最近发现在使用计算器计算高精度的大数加法时很不方便,于是他想着能不能写个程序把这 ...
安卓Service完全解析(上)
版权声明:本文出自汪磊的博客,转载请务必注明出处. 关于安卓Service相信很多安卓开发者都听说过,作为安卓四大组件之一,即使不经常用也应该听说过,但并不是每一个人都掌握的特别详细,全面.那么今天我 ...
mysql的内连接，外连接（左外连接，右外连接）巩固
1:mysql的内连接: 内连接(inner join):显示左表以及右表符合连接条件的记录: select a.goods_id,a.goods_name,b.cate_name from tdb_ ...
Linux用户深度管理
linux系统是多任务.多用户的系统. 用户.用户组的概念每个文件和进程,都需要对应一个用户和用户组. linux系统是通过UID和GID来是识别用户和组的. 其中用户名等同于人名(人类识别), ...

python用ElemenTree快速高效的解析xml

python用ElemenTree快速高效的解析xml的更多相关文章

随机推荐

热门专题