python解析xml文件

efonfighting

发布于 2019-09-29 15:29:07

1.6K0

发布于 2019-09-29 15:29:07

文章被收录于专栏：一番码客一番码客

本文目录：

前言关于XML解析结语

前言

本来今天准备学习下electron的，结果npm工具的安装真是费了劲，网速差的不得了。为了完成今天的日更，只能放弃，今天来谢谢python的xml解析吧。

昨天我们讲了Charles的安装与使用，而Charles抓到一条数据之后，我们想要把这条数据导出来用脚本分析，那么，Charles提供了导出（export）功能。导出的格式包括.chls/csv/trace/chlsx/chlsj/har格式。这里的chlsx其实就是一种xml格式，里面包含的内容比较全。

关于XML

XML是一种可扩展标记语言（eXtensible Markup Language），主要被用来存储数据。
XML是一种树状结构，每个节点被称作一个元素，元素有对应的属性（描述）。

<?xml version="1.0" encoding="UTF-8"?>
<body>
  <name>efon</name>
  <sex>male</sex>
  <profession>SW Engineer</profession>
</body>

解析

这里我们还是以抓取公众号文章列表页的一页数据为例。用Charles导出一页chlsx数据。

我们要从这个xml文件里获得Host|Referer|Cookie|url这几个动态信息。

我们用sorted函数排序，找出时间最新的一个chlsx文件。

trace_list = sorted(glob.glob("out/*.chlsx"), key=os.path.getmtime, reverse=True)

这里xml的解析我们用到一个库xml.dom.minidom，首先用parse读取这个xml文件；
getElementsByTagName读取元素的内容；
firstChild.data读取一个元素的属性（描述）；

DOMTree = xml.dom.minidom.parse(trace_list[0])
File = DOMTree.documentElement.getElementsByTagName('first-line')[0].firstChild.data
headers = DOMTree.documentElement.getElementsByTagName("header")
for header in headers:
    names = header.getElementsByTagName('name')
    if (names[0].firstChild.data == 'Host'):
        Host = header.getElementsByTagName('value')[0].firstChild.data
    elif(names[0].firstChild.data == 'Referer'):
        Referer = header.getElementsByTagName('value')[0].firstChild.data
    elif (names[0].firstChild.data == 'Cookie'):
        Cookie = header.getElementsByTagName('value')[0].firstChild.data