开始学习python爬虫，xml.dom模块解析xml

1 .什么是xml？

xml即可扩展标记语言，它可以用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言。

.我们举个栗子：

<?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>

我们看格式很像html，但是xml比html格式严谨，并且html用来展示数据，xml用于传输和存储数据。

那么它有如下特征：

• 它是有标签对组成，<aa></aa>
• 标签可以有属性：<aa id='123'></aa>
• 标签对可以嵌入数据：<aa>abc</aa>
• 标签可以嵌入子标签（具有层级关系）

2. 获得标签属性

from xml.dom import minidom

doc = minidom.parse('book.xml')
root = doc.documentElement #获得文档对象
# print(dir(root))
print(root.nodeName) #bookstore
print(root.nodeValue) #None
print(root.nodeType) # 1  编号1，元素节点

每个节点都有它的nodeName、nodeValue、nodeType，注：nodeValue是节点的值，只对文本节点有效。

nodeType是节点类型

元素节点            　　Node.ELEMENT_NODE(1)
属性节点            　　Node.ATTRIBUTE_NODE(2)
文本节点            　　Node.TEXT_NODE(3)
CDATA节点               Node.CDATA_SECTION_NODE(4)
实体引用名称节点    　　Node.ENTRY_REFERENCE_NODE(5)
实体名称节点        　　Node.ENTITY_NODE(6)
处理指令节点        　　Node.PROCESSING_INSTRUCTION_NODE(7)
注释节点            　  Node.COMMENT_NODE(8)
文档节点            　  Node.DOCUMENT_NODE(9)
文档类型节点        　　Node.DOCUMENT_TYPE_NODE(10)
文档片段节点        　　Node.DOCUMENT_FRAGMENT_NODE(11)
DTD声明节点             Node.NOTATION_NODE(12)

3. 获得子标签

from xml.dom import minidom

doc = minidom.parse('book.xml')
root = doc.documentElement #获得文档对象
# print(dir(root))
# print(root.nodeName) #bookstore
# print(root.nodeValue) #None
# print(root.nodeType) # 1
books = root.getElementsByTagName('book')
print(type(books)) #<class 'xml.dom.minicompat.NodeList'>
for book in books:
    titles = book.getElementsByTagName('title')
    print(titles[0].childNodes[0].nodeValue)

结果：

<class 'xml.dom.minicompat.NodeList'>

Harry Potter
Learning XML

4. 获得标签属性值

from xml.dom import minidom

doc = minidom.parse('book.xml')
root = doc.documentElement #获得文档对象
# print(dir(root))
# print(root.nodeName) #bookstore
# print(root.nodeValue) #None
# print(root.nodeType) # 1
# books = root.getElementsByTagName('book')
# print(type(books)) #<class 'xml.dom.minicompat.NodeList'>
# for book in books:
#     titles = book.getElementsByTagName('title')
#     print(titles[0].childNodes[0].nodeValue)
itemlist = root.getElementsByTagName('title')
print(itemlist[0].getAttribute("lang"))

结果：eng