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！！！

  1. 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。
  2. 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

  1. 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. ...

  2. 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 ...

  3. 【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 ...

  4. 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- ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. javascript中的闭包(Closure)的学习

    闭包(closure)是Javascript语言的一个难点,也是它的特色,很多高级应用都要依靠闭包实现. 下面是我在网上通过学习阮一峰老师的笔记,感觉总结很不错,特记录于此. 一.变量的作用域 要理解 ...

  2. Flunetd 用于统一日志记录层的开源数据收集器

    传统的日志查看方式 使用fluentd之后 一.介绍 Fluentd是一个开源的数据收集器,可以统一对数据收集和消费,以便更好地使用和理解数据. 几大特色: 使用JSON统一记录 简单灵活可插拔架构 ...

  3. mybatis入门介绍二

    相信看过我的上一篇博客的同学都已经对mybatis有一个初步的认识了.这篇博客主要是对mybatis的mapper代理做一下简单的介绍,希望能够帮助大家共同学习. 我的上一篇博客:mybatis入门介 ...

  4. matlab怎么查看已安装哪些工具箱和…

    问题描述:matlab怎么查看已安装哪些工具箱和它们相应的版本 解决方法:在命令行里敲击der,回车 效果:

  5. html、js、django处理日期问题

    在html中使用日期控件,利用ngmodel将输入的值传到js里: <input type="date" ng-model="timeOps.test.a_time ...

  6. ABP+AdminLTE+Bootstrap Table权限管理系统第八节--ABP错误机制及AbpSession相关

    上一节我们讲到登录逻辑,我做的登录逻辑很简单的,我们来看一下abp module-zero里面的登录代码. #region Login / Logout public ActionResult Log ...

  7. python--DenyHttp项目（1）--GUI:tkinter☞ module 'tkinter' has no attribute 'messagebox'

    AttributeError: module 'tkinter' has no attribute 'messagebox' improt tkinter from tkinter import * ...

  8. java中使用poi导出excel表格数据并且可以手动修改导出路径

    在我们开发项目中,很多时候会提出这样的需求:将前端的某某数据以excel表格导出,今天就给大家写一个简单的模板. 这里我们选择使用poi导出excel: 第一步:导入需要的jar包到 lib 文件夹下

  9. hadoop搭建在Ubuntu16.04上

    一.环境 Ubuntu16.04.Hadoop2.7.3.java8 系统安装完成后建议先更新一下 apt源 1.复制原文件备份 sudo cp /etc/apt/source.list /etc/a ...

  10. LR的响应时间与使用IE所感受时间不一致的讨论

    在做性能测试时,有时碰到这样一种情况,使用性能工具LR测试出来的响应时间比实际使用IE感受到的时间要长,例如,实际使用IE打开一个系统时只需要1~2秒,而使用LR跑一个用户所得出的结果可能是8秒.10 ...