为满足对爬取下来的文本内容进行清洗，得到文本标题和文本正文的多个单个文本。例如对搜狗新闻数据集进行清洗，需要掌握以下XML的基本知识。（参见：菜鸟教程）
XML简介
什么是 XML？
对 XML 最好的描述是：
XML 是独立于软件和硬件的信息传输工具。
XML 指可扩展标记语言（eXtensible Markup Language）。
XML 被设计用来传输和存储数据，并且用来显示数据。
XML 是一种很像HTML的标记语言。
XML 的设计宗旨是传输数据，而不是显示数据。
XML 标签没有被预定义。您需要自行定义标签。
XML 被设计为具有自我描述性。
XML 是 W3C 的推荐标准。（如需了解W3C，请自行了解）
XML 很重要，也很容易学习。
XML 和 HTML 之间的差异
XML 不是 HTML 的替代，XML 是对 HTML 的补充。
XML 和 HTML 为不同的目的而设计：
- XML 被设计用来传输和存储数据，其焦点是数据的内容。
- HTML 被设计用来显示数据，其焦点是数据的外观。
HTML 旨在显示信息，而 XML 旨在传输信息。
通过 XML 您可以发明自己的标签
实例：
<note>
<to>Tove</to>
<from>Jani</from>
<heading>Reminder</heading>
<body>Don't forget me this weekend!</body>
</note>
实例中的标签没有在任何 XML 标准中定义过（比如 <to> 和 <from>）。这些标签是由 XML 文档的创作者发明的。
这是因为 XML 语言没有预定义的标签。
HTML 中使用的标签都是预定义的。HTML 文档只能使用在 HTML 标准中定义过的标签（如 <p>、<h1> 等等）。
XML 允许创作者定义自己的标签和自己的文档结构。
XML用途
XML 应用于 Web 开发的许多方面，常用于简化数据的存储和共享。
将数据从HTML中分离：
如果您需要在 HTML 文档中显示动态数据，那么每当数据改变时将花费大量的时间来编辑 HTML。
通过 XML，数据能够存储在独立的 XML 文件中。这样您就可以专注于使用 HTML/CSS 进行显示和布局，并确保修改底层数据不再需要对 HTML 进行任何的改变。
简化数据共享：
在真实的世界中，计算机系统和数据使用不兼容的格式来存储数据。
XML 数据以纯文本格式进行存储，因此提供了一种独立于软件和硬件的数据存储方法。
这让创建不同应用程序可以共享的数据变得更加容易。
简化数据传输：
对开发人员来说，其中一项最费时的挑战一直是在互联网上的不兼容系统之间交换数据。
由于可以通过各种不兼容的应用程序来读取数据，以 XML 交换数据降低了这种复杂性。
简化平台变更：
升级到新的系统（硬件或软件平台），总是非常费时的。必须转换大量的数据，不兼容的数据经常会丢失。
XML 数据以文本格式存储。这使得 XML 在不损失数据的情况下，更容易扩展或升级到新的操作系统、新的应用程序或新的浏览器。
提高数据的使用价值：
不同的应用程序都能够访问您的数据，不仅仅在 HTML 页中，也可以从 XML 数据源中进行访问。
通过 XML，您的数据可供各种阅读设备使用（掌上计算机、语音设备、新闻阅读器等），还可以供盲人或其他残障人士使用。
创建新的互联网语言：
很多新的互联网语言是通过 XML 创建的。
这里有一些实例：
- XHTML
- 用于描述可用的 Web 服务 的 WSDL
- 作为手持设备的标记语言的 WAP 和 WML
- 用于新闻 feed 的 RSS 语言
- 描述资本和本体的 RDF 和 OWL
- 用于描述针针对 Web 的多媒体 的 SMIL
XML树结构
一个 XML 文档实例
XML 文档使用简单的具有自我描述性的语法：
第一行是 XML 声明。它定义 XML 的版本（1.0）和所使用的编码（UTF-8 : 万国码, 可显示各种语言）。
下一行描述文档的根元素（像在说："本文档是一个便签"）：
接下来 4 行描述根的 4 个子元素（to, from, heading 以及 body）：
最后一行定义根元素的结尾：
您可以假设，从这个实例中，XML 文档包含了一张 Jani 写给 Tove 的便签。
XML 具有出色的自我描述性。
XML 文档形成一种树结构
XML 文档必须包含根元素。该元素是所有其他元素的父元素。
XML 文档中的元素形成了一棵文档树。这棵树从根部开始，并扩展到树的最底端。
所有的元素都可以有子元素：
父、子以及同胞等术语用于描述元素之间的关系。父元素拥有子元素。相同层级上的子元素成为同胞（兄弟或姐妹）。
所有的元素都可以有文本内容和属性（类似 HTML 中）。
一个XML树结构图示如上······
XML语法规则
XML 的语法规则很简单，且很有逻辑。这些规则很容易学习，也很容易使用。
1、XML文档必须有根元素
2、XML声明（version，encoding）
3、XML中所有的元素都必须有一个关闭标签
4、XML标签对大小写敏感
5、XML必须正确嵌套
6、XML属性值必须加引号（单引号和双引号均可）
7、实体引用来代替“<”字符：
XML中5个预定义的实体引用
| < | < | less than |
| > | > | greater than |
| & | & | ampersand |
| ' | ' | apostrophe |
| " | " | quotation mark |
8、XML中的注释：
<!-- This is a comment -->
9、XML文档中空格会被保留
10、XML以LF存储换行：
在 Windows 应用程序中，换行通常以一对字符来存储：回车符（CR）和换行符（LF）。
在 Unix 和 Mac OSX 中，使用 LF 来存储新行。
在旧的 Mac 系统中，使用 CR 来存储新行。
XML 以 LF 存储换行。
XML元素
XML 文档包含 XML 元素。
什么是 XML 元素？
XML 元素指的是从（且包括）开始标签直到（且包括）结束标签的部分。
一个元素可以包含：
- 其他元素
- 文本
- 属性
- 或混合以上所有
XML 命名规则
XML 元素必须遵循以下命名规则：
- 名称可以包含字母、数字以及其他的字符
- 名称不能以数字或者标点符号开始
- 名称不能以字母 xml（或者 XML、Xml 等等）开始
- 名称不能包含空格
可使用任何名称，没有保留的字词。
最佳命名习惯
使名称具有描述性。使用下划线的名称也很不错：<first_name>、<last_name>。
名称应简短和简单，比如：<book_title>，而不是：<the_title_of_the_book>。
避免 "-" 字符。如果您按照这样的方式进行命名："first-name"，一些软件会认为您想要从 first 里边减去 name。
避免 "." 字符。如果您按照这样的方式进行命名："first.name"，一些软件会认为 "name" 是对象 "first" 的属性。
避免 ":" 字符。冒号会被转换为命名空间来使用（稍后介绍）。
XML 文档经常有一个对应的数据库，其中的字段会对应 XML 文档中的元素。有一个实用的经验，即使用数据库的命名规则来命名 XML 文档中的元素。
在 XML 中，éòá 等非英语字母是完全合法的，不过需要留意，您的软件供应商不支持这些字符时可能出现的问题。
XML 元素是可扩展的
XML 元素是可扩展，以携带更多的信息。
想象一下，XML 文档的作者添加的一些额外信息：
那么这个应用程序会中断或崩溃吗？
不会。这个应用程序仍然可以找到 XML 文档中的 <to>、<from> 以及 <body> 元素，并产生同样的输出。
XML 的优势之一，就是可以在不中断应用程序的情况下进行扩展。
XML属性
XML元素具有属性，类似 HTML。
属性（Attribute）提供有关元素的额外信息。
XML 元素 vs. 属性
实例：
<firstname>Anna</firstname>
<lastname>Smith</lastname>
< /person>
<sex>female</sex>
<firstname>Anna</firstname>
<lastname>Smith</lastname>
< /person>
在第一个实例中，sex 是一个属性。在第二个实例中，sex 是一个元素。这两个实例都提供相同的信息。
没有什么规矩可以告诉我们什么时候该使用属性，而什么时候该使用元素。我的经验是在 HTML 中，属性用起来很便利，但是在 XML 中，您应该尽量避免使用属性。如果信息感觉起来很像数据，那么请使用元素吧。
避免 XML 属性？
因使用属性而引起的一些问题：
- 属性不能包含多个值（元素可以）
- 属性不能包含树结构（元素可以）
- 属性不容易扩展（为未来的变化）
属性难以阅读和维护。请尽量使用元素来描述数据。而仅仅使用属性来提供与数据无关的信息。
不要做这样的蠢事（这不是 XML 应该被使用的方式）：
针对元数据的 XML 属性
有时候会向元素分配 ID 引用。这些 ID 索引可用于标识 XML 元素，它起作用的方式与 HTML 中 id 属性是一样的。
id 属性仅仅是一个标识符，用于标识不同的便签。它并不是便签数据的组成部分。
在此我们极力向您传递的理念是：元数据（有关数据的数据）应当存储为属性，而数据本身应当存储为元素。
XML验证
拥有正确语法的 XML 被称为"形式良好"的 XML。
通过 DTD 验证的XML是"合法"的 XML。
形式良好的 XML 文档
"形式良好"的 XML 文档拥有正确的语法。
在前面的章节描述的语法规则：
- XML 文档必须有一个根元素
- XML元素都必须有一个关闭标签
- XML 标签对大小写敏感
- XML 元素必须被正确的嵌套
- XML 属性值必须加引号
合法的 XML 文档是"形式良好"的 XML 文档，这也符合文档类型定义（DTD）的规则。
XML DTD
DTD （DTD请自行查阅）的目的是定义 XML 文档的结构。它使用一系列合法的元素来定义文档结构：
<!DOCTYPE note
[
<!ELEMENT note (to,from,heading,body)>
<!ELEMENT to (#PCDATA)>
<!ELEMENT from (#PCDATA)>
<!ELEMENT heading (#PCDATA)>
<!ELEMENT body (#PCDATA)>
]>
XML Schema
W3C 支持一种基于 XML 的 DTD 代替者，它名为 XML Schema（请自行查阅）：
<xs:element name="note">
< xs:complexType>
<xs:sequence>
<xs:element name="to" type="xs:string"/>
<xs:element name="from" type="xs:string"/>
<xs:element name="heading" type="xs:string"/>
<xs:element name="body" type="xs:string"/>
</xs:sequence>
< /xs:complexType>
< /xs:element>
XML验证器
使用菜鸟教程上的XML 验证器来对您的 XML 文件进行语法检查。
XML 错误会终止您的程序
XML 文档中的错误会终止您的 XML 应用程序。
W3C 的 XML 规范声明：如果 XML 文档存在错误，那么程序就不应当继续处理这个文档。理由是，XML 软件应当轻巧，快速，具有良好的兼容性。
如果使用 HTML，创建包含大量错误的文档是有可能的（比如您忘记了结束标签）。其中一个主要的原因是 HTML 浏览器相当臃肿，兼容性也很差，并且它们有自己的方式来确定当发现错误时文档应该显示为什么样子。
使用 XML 时，这种情况不应当存在。
具体的验证和检查请转到菜鸟教程
查看XML文件
在所有主流的浏览器中，均能够查看原始的 XML 文件。（只是说支持打开XML格式的文件）
不要指望 XML 文件会直接显示为 HTML 页面。
XML 文档将显示为代码颜色化的根以及子元素。通过点击元素左侧的加号（+）或减号（ - ），可以展开或收起元素的结构。要查看原始的 XML 源（不包括 + 和 - 符号），选择"查看页面源代码"或从浏览器菜单"查看源文件"。
注释：在 Safari 中，只有元素的文本将被显示。要查看原始的 XML，您必须右键单击页面，选择"查看源文件"。
如何是错误的XML文件，浏览器会报告错误。
其他 XML 实例
请查看这些 XML 文档，这会有助于您建立对 XML 的感性认识。
一个 XML 的 CD 目录：（见菜鸟教程）
这是一个 CD 集，存储为 XML 数据。
一个 XML 的植物目录（见菜鸟教程）
这是一个来自植物店的植物目录，存储为 XML 数据。
一个简单的食物菜单（见菜鸟教程）
这是一个来自餐馆的早餐菜单，存储为 XML 数据。
为什么 XML 显示这个样子？
XML 文档不会携带有关如何显示数据的信息。
由于 XML 标签由 XML 文档的作者"发明"，浏览器无法确定像 <table> 这样一个标签究竟描述一个 HTML 表格还是一个餐桌。
在没有任何有关如何显示数据的信息的情况下，大多数的浏览器都会仅仅把 XML 文档显示为源代码。
使用XSLT显示XML
通过使用 XSLT，您可以把 XML 文档转换成 HTML 格式。
XSLT 是首选的 XML 样式表语言。
XSLT（eXtensible Stylesheet Language Transformations）远比 CSS 更加完善。
XSLT 是在浏览器显示 XML 文件之前，先把它转换为 HTML：
使用 XSLT 显示 XML（见菜鸟教程）
当浏览器读取 XML 文件时，XSLT 转换是由浏览器完成的。
在使用 XSLT 来转换 XML 时，不同的浏览器可能会产生不同结果。为了减少这种问题，可以在服务器上进行 XSLT 转换。
查看结果。（见菜鸟教程）