我正在学习如何使用XML抓取网站。我很熟悉html，但我注意到我试图抓取的一些网站有XML API。如果我没弄错的话，刮起来更快，也更简单。
我有以下示例代码。
txt = '''
<?xml version="1.0"?>
<DIV5 N="100" TYPE="HEADER">
<HEAD>100: DIV5 Title</HEAD>
<AUTH>
<HED>Authority:</HED>
<PSPACE>AUTHORITY SPACE</PSPACE>
</AUTH>
<SOURCE>
<HED>Source:</HED>
<PSPACE>Source Text.</PSPACE>
</SOURCE>
<DIV7 N="1" TYPE="SUB">
<HEAD>1. DIV7Title 1</HEAD>
<DIV8 N="1.1" TYPE="SECTION">
<HEAD>1.1 DIV8Title 1</HEAD>
<P> (1) Text 1</P>
</DIV8>
<DIV8 N="1.2" TYPE="SECTION">
<HEAD>1.2 DIV8Title 2</HEAD>
<P>(a) text 1 </P>
<P>(ii) text 2 </P>
<P>(2) text 2.1 </P>
</DIV8>
<DIV8 N="1.3" TYPE="SECTION">
<HEAD>1.3 DIV8 Title 3</HEAD>
<P> (ff) text 1 </P>
</DIV8>
</DIV7>
<DIV6 N="A" TYPE="SUBPART">
<HEAD>Subpart A: DIV6Title 1 </HEAD>
<DIV7 N="2" TYPE="SUB">
<HEAD>2 DIV7Title 2</HEAD>
<DIV8 N="2.1" TYPE="SECTION">
<HEAD>2.1 DIV8Title 1 </HEAD>
<P>(a) text 1</P>
<P>(b) text 2 </P>
<P>(c) text 3</P>
</DIV8>
<DIV8 N="2.2" TYPE="SECTION">
<HEAD>2.2 DIV8 Title2</HEAD>
<P> (o) text</P>
</DIV8>
</DIV7>
<DIV7 N="3" TYPE="SUB">
<HEAD>3. DIV7 Title 3</HEAD>
<DIV8 N="3.1" TYPE="SECTION">
<HEAD>3.1 DIV8 Title 1</HEAD>
<P>(r) text 1</P>
<P>(s) text 2</P>
</DIV8>
</DIV7>
</DIV6>
<DIV6 N="B" TYPE="SUBPART">
<HEAD>Subpart B: DIV6 Title 2</HEAD>
<DIV8 N="12" TYPE="SECTION">
<HEAD>12. DIV8 Title 1</HEAD>
<P>7(a) text </P>
</DIV8>
</DIV6>
</DIV5>
'''我有以下代码：
import lxml.etree as ElementTree
tree = ElementTree.ElementTree(ElementTree.fromstring(txt))
root = tree.getroot()
sub_parts = root.findall(".//DIV6")
for sub in sub_parts:
l2_title = subpart.find('.//HEAD').text
.
.# Unsure what to do after this part
.我遇到的问题：
- DIV 5子节点是
[HEAD, AUTH, SOURCE, DIV7, DIV6, DIV6]上面的代码似乎只抓取DIV 6及其子节点。代码完全跳过了它们的DIV 7兄弟节点及其子节点。如何同时解析两者？
理想结局：
| L2Ci| L2标题|L3Ci| L3标题|L4Ci| L4标题|L5Ci| L5标题|L6Ci| L 6标题|
| --------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|
| | | 1. |DIV 7标题1| 1.1| DIV 8标题1|||（一）|案文1|
| | | 1. |DIV 7标题1| 1.2| DIV 8标题2|（a）|正文1|||
| | | 1. |DIV 7标题1| 1.2| DIV 8标题2|（ii）|正文二|||
| | | 1. |DIV 7标题1| 1.2| DIV 8标题2|（ii）|正文二|（二）|案文2.1|
| | | 1. |DIV 7标题1| 1.3| DIV 8标题3|（ff）|正文1|||
| A| DIV 6标题1| 2.| DIV 7标题2| 2.1| DIV 8标题1|（a）|正文1|||
| A| DIV 6标题1| 2.| DIV 7标题2| 2.1| DIV 8标题1|（B）|正文二|||
| A| DIV 6标题1| 2.| DIV 7标题2| 2.1| DIV 8标题1|（c）|案文3|||
| A| DIV 6标题1| 2.| DIV 7标题2| 2.2| DIV 8标题2|（o）|正文1|||
| A| DIV 6标题1| 3.第三章|DIV 7标题3| 3.1| DIV 8标题3|（r）|正文1|||
| A| DIV 6标题1| 3.第三章|DIV 7标题3| 3.1| DIV 8标题3|（s）|正文二|||
| B| DIV 6标题2|||十二岁|DIV 8标题1|（a）|正文|||
谢谢你！
1条答案
按热度按时间plicqrtu1#
您可以“递归”地处理所有标签，而不是试图通过名称来查找标签。关于
.iter()您可以跟踪构建“行”所需的信息。
在这种情况下，每次遇到
<P>标记时，“行”都被认为是完整的，您可以存储结果。类似于：
你可以创建一个dataframe：
df = pd.DataFrame(rows)| L2Ci| L2标题|L3Ci| L3标题|L4Ci| L4标题|L5Ci| L5标题|L6Ci| L 6标题|P|
| --------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|--------------|
| | | 1| 1. DIV 7标题1| 1.1| 1.1 DIV 8标题1|||||（1）案文1|
| | | 1| 1. DIV 7标题1| 1.2| 1.2 DIV 8标题2|||||（a）案文1|
| | | 1| 1. DIV 7标题1| 1.2| 1.2 DIV 8标题2|||||㈡案文2|
| | | 1| 1. DIV 7标题1| 1.2| 1.2 DIV 8标题2|||||（2）正文2.1|
| | | 1| 1. DIV 7标题1| 1.3| 1.3 DIV 8标题3|||||（ff）案文1|
| A|子部分A：DIV 6标题1| 2| 2 DIV 7标题2| 2.1| 2.1 DIV 8标题1|||||（a）案文1|
| A|子部分A：DIV 6标题1| 2| 2 DIV 7标题2| 2.1| 2.1 DIV 8标题1|||||（B）案文2|
| A|子部分A：DIV 6标题1| 2| 2 DIV 7标题2| 2.1| 2.1 DIV 8标题1|||||（c）案文3|
| A|子部分A：DIV 6标题1| 2| 2 DIV 7标题2| 2.2| 2.2 DIV 8标题2|||||（o）文本|
| A|子部分A：DIV 6标题1| 3| 3.第7分部标题3| 3.1| 3.1 DIV 8标题1|||||（r）案文1|
| A|子部分A：DIV 6标题1| 3| 3.第7分部标题3| 3.1| 3.1 DIV 8标题1|||||（s）案文2|
| B|子部分B：DIV 6标题2|||十二岁|12.第8分部标题1|||||7（a）案文|
您可以实现逻辑的其余部分，从
P文本填充L5-6标记。