解析非标准 XML（CDATA 标记）

Posted 2023-02-23

【中文标题】解析非标准 XML（CDATA 标记）

【英文标题】：Parsing non-standard XML (CDATA tag)

【发布时间】：2011-12-08 19:22:26

【问题描述】：

当我想使用 BeautifulSoup 库在 Python 中解析 XML 文档时， 我遇到了一些问题。我要解析的 XML 文档：

<item>
<title><![CDATA[Title Sample]]></title>
<link /><![CDATA[http://banhada.kr/?cateCode=09&viewCode=S0941580]]>
<time_start>2011-10-10 09:00:00</time_start>
<time_end>2011-10-17 09:00:00</time_end>
<price_original>35000</price_original>
<price_now>20000</price_now>
</item>

正如你在上面看到的，标签有点奇怪。在我看来，that(tag) 不是一个标准的 XML 形式，对吧？如何解析这种可怕的形式？

【参考方案1】：

您不需要 BeautifulStoneSoup 或 lxml。 Python 附带的电池可以很好地完成这项工作，而且您的 XML 似乎没有任何不合规的地方。

>>> content='''\
... <item>
... <title><![CDATA[Title Sample]]></title>
... <link /><![CDATA[http://banhada.kr/?cateCode=09&viewCode=S0941580]]>
... <time_start>2011-10-10 09:00:00</time_start>
... <time_end>2011-10-17 09:00:00</time_end>
... <price_original>35000</price_original>
... <price_now>20000</price_now>
... </item>'''
>>> import xml.etree.cElementTree as et
>>> foo = et.XML(content)
>>> for e in foo:
...     print e.tag, e.text, repr(e.tail)
...
title Title Sample '\n'
link None 'http://banhada.kr/?cateCode=09&viewCode=S0941580\n'
time_start 2011-10-10 09:00:00 '\n'
time_end 2011-10-17 09:00:00 '\n'
price_original 35000 '\n'
price_now 20000 '\n'
>>>

【讨论】：

这在 BeautifulSoup 无法处理的 XML 上对我有用！

【参考方案2】：

您可以使用BeautifulSoup 来解析 XML：

import bs4 as bs
content='''\
<item>
<title><![CDATA[Title Sample]]></title>
<link /><![CDATA[http://banhada.kr/?cateCode=09&viewCode=S0941580]]>
<time_start>2011-10-10 09:00:00</time_start>
<time_end>2011-10-17 09:00:00</time_end>
<price_original>35000</price_original>
<price_now>20000</price_now>
</item>'''    

soup = bs.BeautifulSoup(content, 'xml')

title = soup.title
print(title.string)
# Title Sample

link = soup.link.nextSibling
print(link)
# http://banhada.kr/?cateCode=09&viewCode=S0941580

在后台，BeautifulSoup 使用 lxml 来解析 XML。 虽然这里不需要，但您可能希望直接使用 lxml，因为它为您提供了使用 XPath 浏览 XML 的更简洁的方法：

import lxml.etree as ET

content='''\
<item>
<title><![CDATA[Title Sample]]></title>
<link /><![CDATA[http://banhada.kr/?cateCode=09&viewCode=S0941580]]>
<time_start>2011-10-10 09:00:00</time_start>
<time_end>2011-10-17 09:00:00</time_end>
<price_original>35000</price_original>
<price_now>20000</price_now>
</item>'''    

doc = ET.fromstring(content)

title = doc.find('title')
print(title.text)
# Title Sample

link = doc.find('link')
print(link.tail)
# http://banhada.kr/?cateCode=09&viewCode=S0941580

【讨论】：

哇。谢谢你的善意

用户警告：BeautifulStoneSoup 类已弃用。不要使用它，而是将 features="xml" 传递给 BeautifulSoup 构造函数。

更新了我的答案以使用 BeautifulSoup4。