关于 xml 处理

由于和html打交道有一段时间了，对html网页的分析，我比较习惯使用bs4来做分析。

今天接触到一个 xml 格式的文件，打算自动处理了，以前我也使用过bs4，当时没有发现弊端。

• xml 标签有命名空间
• xml 标签和属性是区分大小写的
• xml 不包含html 。 html中包含 html标签
  这和html 的标签分析是不一样的，bs4 有弊端。

对于第一个， xml 有命名空间的问题， bs4 的 lxml 解析模式， 可以将命名空间当成标签的一部分来做解释。

如下：

import bs4 
bsp = bs4.BeautifulSoup('<abc><a:bc>abc</a:bc></abc>', features='lxml')
print(bsp.findall('a\:bc'))

这样就可以将对应的标签找出来，注意这里分析是按照 html 来做的，不区分大小写。

在保存的时候，如果只是想分析一下xml文件，这种方法也还行。

但是想修改的话，bs4就完全沦陷了。

第一个就是bs4会默认添加html-head-body标签格式，这个我使用节点解析的方式，在body节点下找到原先的root节点，对原先的root节点进行保存还是可以解决的。

第二个沦陷的地方就是保存的标签默认全是小写， 大小写被忽略了。

这个保存的xml和原先的xml在xml的语法是两个意思。

---

最后发现，这条路是完全走不通的。

然后我找到了 python中的 xml.etree.ElementTree， 这个才是正解。对原先的bs4代码进行替换，问题才算解决，继续结下来的工作 … <|-_-|>

---

参考

• xml.etree.elementtree