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

angularjs 选项卡tab切换（移动端用户订单状态）
 <div class="tabs-striped tabs-top tabs-background-positive tabs-colo ...
hadoop以及相关组件介绍以及个人理解
前言本人是由java后端转型大数据方向,目前也有近一年半时间了,不过我平时的开发平台是阿里云的Maxcompute,通过这么长时间的开发,对数据仓库也有了一定的理解,ETL这些经验还算比较丰富.但是 ...
error LNK1123: 转换到 COFF 期间失败: 文件无效或损坏
一.情形描述下载了一个VS的源码,不知道此源码的版本.使用VS2010编译时出现如下报错: error LNK1123: 转换到 COFF 期间失败: 文件无效或损坏二.解决方法在VS2010界 ...
CentOS服务器运维监控Nagios（一）
CentOS下搭建Nagios 王尚 2014.11.09 操作系统:CentOS-6.5-i386-bin-DVD1.iso 安装在VM中进行测试的. 本章需要的软件链接: php-5.3.2.ta ...
办公楼[POI2007]
题目描述 FGD开办了一家电话公司.他雇用了N个职员,给了每个职员一部手机.每个职员的手机里都存储有一些同事的电话号码.由于FGD的公司规模不断扩大,旧的办公楼已经显得十分狭窄,FGD决定将公司迁至一 ...
RSA加密解密及RSA加签验签
RSA安全性应用场景说明在刚接触RSA的时候,会混淆RSA加密解密和RSA加签验签的概念.简单来说加密解密是公钥加密私钥解密,持有公钥(多人持有)可以对数据加密,但是只有持有私钥(一人持有)才可以解 ...
微信小程序（有始有终，全部代码）开发---跑步App+音乐播放器 Bug修复
开篇语昨晚发了一篇: <简年15: 微信小程序(有始有终,全部代码)开发---跑步App+音乐播放器 > 然后上午起来吃完午饭之后,我就准备继续开工的,但是突然的,想要看B站.然后在一股 ...
ios发送邮件
方法一: 1.需要引入库MessageUI.framework #import <MessageUI/MessageUI.h> #import<MessageUI/MFMailCom ...
解决Nuget:https://api.nuget.org/v3/index.json 访问不了的问题
最近在家中用使用VS编译项目时,Nuget包一直下载不了,直接在浏览器中访问https://api.nuget.org/v3/index.json ,浏览器也打不开网址.把https协议改成http协 ...
分享一个markdownpad2的授权key
邮箱地址:Soar360@live.com授权秘钥:GBPduHjWfJU1mZqcPM3BikjYKF6xKhlKIys3i1MU2eJHqWGImDHzWdD6xhMNLGVpbP2M5SN6bn ...

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