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

RabbitMQ入门-消息派发那些事儿
在上篇<RabbitMQ-高效的Work模式>中,我们了解了Work模型,该模型包括一个生产者,一个消息队列和多个消费者. 我们已经通过实例看出消息队列中的消息是如何被一个或者多个消费者消 ...
HDU5742 It's All In The Mind（思维题，水题）
Problem Description Professor Zhang has a number sequence a1,a2,...,an. However, the sequence is not ...
倒水问题（Fill,UVA 10603) lrj白书 p202
看着lrj的代码自己敲了一遍,还没调试成功.... 有时间再进行完善 /* 状态start到各个状态u1,u2,u3..... 的倒水量分别为u1.dist,u2.dist,u3.dist.... * ...
70. Climbing Stairs【leetcode】递归，动态规划，java，算法
You are climbing a stair case. It takes n steps to reach to the top. Each time you can either climb ...
solr排序问题
搜搜引擎排序问题,因为涉及到的维度比较多,有时候单纯的依靠sort是无法满足需要的,例如:搜索商品的时候我希望不管怎么排无货的商品都置底,这样问题就来了,怎么排? 其实,solr是自己的解决 ...
[Usaco2007 Open]Fliptile 翻格子游戏状态压缩
考试想到了状压,苦于T1废掉太长时间,于是默默输出impossible.. 我们知道,一个格子的翻转受其翻转次数和它相邻翻转次数的影响. 由每一个位置操作两次相当于把它翻过来又翻回去,所以答案中每一个 ...
python join 和 split的常用使用方法
函数:string.join()Python中有join()和os.path.join()两个函数,具体作用如下: join(): 连接字符串数组.将字符串.元组.列表中的元素以指定的字符 ...
C/C++ 知识点---LIB和DLL的区别与使用(网摘)
LIB和DLL的区别与使用原文出处:[远风工作室] 共有两种库:一种是LIB包含了函数所在的DLL文件和文件中函数位置的信息(入口),代码由运行时加载在进程空间中的DLL提供,称为动态链接库dyna ...
ReactiveCocoa应用篇（二）
上一篇介绍了ReactiveCocoa的常用类,已经基本满足项目中的简单应用要求,但是针对复杂的功能还需要其它的类来协同处理.ReactiveCocoa提供了强大的流程处理功能来解决复杂的问题,包括事 ...
中点Bresenham画圆
这里不仔细讲原理,只是把我写的算法发出来,跟大家分享下,如果有错误的话,还请大家告诉我,如果写的不好,也请指出来,一起讨论进步. 算法步骤: (1) 输入圆的半径R. (2) 计算初始值d = 1 - ...

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