使用lxml解析xml文件

一.简介

　　XML是由万维网联盟（W3C）创建的标记语言，被设计用来传输和存储数据，XML可以自行定义标签，具有自我描述性，其设计宗旨是传输数据，而非显示数据。Python自带XML模块，方便开发者解析XML数据。XML模块中包含了广泛使用的API接口--------SAX和DOM等。另外，lxml解析库同样支持HTML和XML的解析，而且支持XPath解析方式。总的来说，Python解析XML的常用方法有以下几种：

　　1、DOM解析，xml.dom.*模块。

　　2、SAX解析，xml.sax.*模块。

　　3、ET解析，xml.etree.ElementTree模块。

　　4、lxml解析并结合XPath提取元素。

由于第四种方法是我们在网络爬虫时解析html经常用到的，也是我们较为熟悉的，所以首先尝试用它来解析xml，另外三种方法也将陆续介绍。

二. 使用lxml解析xml文件

1、导入相关标准库

from lxml import etree

2、定义解析器

parser = etree.XMLParser(encoding = "utf-8")

3、使用解析器parser解析XML文件

#传入两个参数，第一个参数是文件名，第二个参数是解析器。
tree = etree.parse(r"douban.xml",parser = parser) #查看解析出的tree的内容 
print(etree.tostring(tree,encoding = 'utf-8').decode('utf-8'))

4、结合xpath提取XML文件中的信息

from lxml import etree


# 使用lxml解析xml文件
parser = etree.HTMLParser(encoding="utf-8")
tree = etree.parse("douban.xml", parser=parser)
a = tree.xpath('//loc/text()')
print(a)

方法二：直接使用html解析器就能解析xml文件

from lxml import etree

with open('douban.xml', 'r',encoding='utf-8') as reader:
    xmlstr = reader.read()
    tree = etree.HTML(xmlstr)
    print(tree.xpath('//loc/text()'))　　

这种方法容易遇到这样的错误：

ValueError: Unicode strings with encoding declaration are not supported. Please use bytes input or XML fragments without declaration.

原因是lxml 不支持解析带有encoding 声明的字符串，例如 xml中以encoding="UTF-8"开头，需要转换成bytes类型。

我们看看douban.xml文件，真的带有编码声明的：

      

 解决方法：

　　1.把xml文件的首行编码声明去掉就可以了

　　2.传入构造含数据的不要用字符串，而是二进制内容：

　　如：

from lxml import etree


#以二进制打开文件，传进去bytes类型的数据
with open('douban.xml', 'rb') as reader:
    xmlstr = reader.read()
    tree = etree.HTML(xmlstr)
    print(tree.xpath('//loc/text()'))

三.使用xml.dom.minidom解析xml

import xml.dom.minidom


def readXML(path):
    urls = []
    domTree = xml.dom.minidom.parse(path)
    # 文档根元素
    rootNode = domTree.documentElement
    print(rootNode.nodeName)
    # 所有loc节点
    locs = rootNode.getElementsByTagName("loc")
    print(locs)
    for loc in locs:
        url = loc.childNodes[0].data
        urls.append(url)
    return urls


path = "./sitemap.xml"
readXML(path)