网络爬虫--SAX处理xml

使用SAX处理xml 实际上有一个固定的框架，即标签开始，标签结束，文本处理。以下面例子讲解
出来book.xml

<?xml version="1.0" encoding="ISO-8859-1"?>
<bookstore>
    <book>
        <title lang="eng">Harry Potter</title>
        <price>29.99</price>
    </book>
    <book>
        <title lang="eng">Learning XML</title>
        <price>39.95</price>
    </book>
</bookstore>  

SAX代码如下：

from xml.parsers.expat import ParserCreate  #从xml分析器中导入自定义的分析器

class DefaultSaxHander(object):      #建一个默认的Sax处理器（当然类的名字可以自己定义）
    def start_element(self,name,attrs):    #标签处理开始，有标签名和属性
        self.name = name
        print('element: %s, attrs: %s' %(self.name,str(attrs)))

    def end_element(self,name):      #标签处理结束
        print('end element: %s' % name)

    def char_data(self,text):        #处理文本
        if text.strip():             #如果有text的前后有空格，\n,\t等，则去掉，如果内容仅仅为\t\n或空格则不打印
            print('%s\'s text is %s'%(self.name,text))

handler = DefaultSaxHander()     #生成Sax处理器
#初始化分析器
parser = ParserCreate()       
parser.StartElementHandler = handler.start_element
parser.EndElementHandler = handler.end_element
parser.CharacterDataHandler = handler.char_data
#打开文本，读取文件
with open(r'/media/sf_Share/LSPE/r_0.11/book.xml','r') as f:
    parser.Parse(f.read())   #整个文件一起读（大文件可以一行一行读取）

以上就是一个sax处理器的基本模样，有三部分，标签开始，标签结束，和文本处理，当一切都定义好之后就直接将值扔给ParserCreate,它自己内部知道怎么处理，所以像parser.StartElementHandler、parser.EndElementHandler，parser.CharacterDataHandler这些名字是默认的，不能写错，如Start写成star则会找不到模块。
结果如下：

element: bookstore, attrs: {}            #找到的第一个标签名为bookstore,属性为空，即没有属性
element: book, attrs: {}                 #第二个标签为book，属性为空
element: title, attrs: {'lang': 'eng'}  #第三个标签为title，属性名为lang,值为eng
title's text is Harry Potter            #文本内容
end element: title                       #title结束，进入下一个标签
element: price, attrs: {}                #标签为price，没有属性
price's text is 29.99                     #标签内容
end element: price
end element: book
element: book, attrs: {}
element: title, attrs: {'lang': 'eng'}
title's text is Learning XML
end element: title
element: price, attrs: {}
price's text is 39.95
end element: price
end element: book                            #结束book标签
end element: bookstore                       #结束bookstore标签

从上面看到，SAX解析出来的xml是有层级的，一层一层处理