python - 使用 python 和 ElementTree 解析 XML

Question

我正在做类(class)项目，我必须将链接列表保存到文本文件。

我提供了 XML 并尝试遍历所有 url ，但遇到了麻烦。

我尝试过使用元素树，但无法遍历我阅读了许多其他问题并尝试过但没有成功。请帮忙

结构是这样的

<urlset xmlns="http://www.crawlingcourse.com/sitemap/1.3">
  <url>
     <loc>
        http://www.crawlingcourse.com/item-3911512
     </loc>
  </url>
<url>....

Answer 1

我建议你使用lxml高效解析 XML 文件。

from lxml import etree

您的 XML 示例格式不正确，我这样修复了它:

content = """\
<urlset xmlns="http://www.crawlingcourse.com/sitemap/1.3">
  <url>
     <loc>
        http://www.crawlingcourse.com/item-3911512
     </loc>
  </url>
</urlset>"""

要解析一个文件，你可以使用etree.parse() .但是因为这个样本是一个字符串，所以我使用 etree.XML() :

tree = etree.XML(content)

在 XML 树中搜索元素的自然方法是使用 XPath。例如，您可以这样做:

loc_list = tree.xpath("//url/loc")

但是你什么也得不到:

for loc in loc_list:
    print(loc.text)
# None

原因，可能是你的问题，是<urlset>使用默认命名空间:“http://www.crawlingcourse.com/sitemap/1.3 ”。

要让它工作，你需要使用 xpath()使用此命名空间运行。让我们给这个命名空间起一个名字:“s”:

NS = {'s': "http://www.crawlingcourse.com/sitemap/1.3"}

然后，使用 s像这样在 XPath 表达式中添加前缀:

loc_list = tree.xpath("//s:url/s:loc", namespaces=NS)

for loc in loc_list:
    print(loc.text)
#     http://www.crawlingcourse.com/item-3911512

因为您的 XML 是缩进的，所以您需要去除空格:

for loc in loc_list:
    url = loc.text.strip()
    print(url)
# http://www.crawlingcourse.com/item-3911512