python elementtree write到指定路径 python elementtree解析xml

转载

mob64ca13ffd0f1 2023-12-02 13:25:02

文章标签 python 爬虫 xml html xml文件 文章分类 Python 后端开发

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&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="<ul class='col-md-12 prev-next'.*?</ul>">//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¶m=a891b9bfac46d41ebace9eccf88f5bbb&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>


<!--
< < 小于号 
> > 大于号 
& & 和 
' ' 单引号 
" " 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:

1 import xml.etree.ElementTree as ET
2 import logging
3 def parsexml(xmlpath):
4     try:
5         tree=ET.parse(xmlpath)
6     except Exception as e:
7         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¶m=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()