通过 python 抓取 sitemap.xml

Question

我正在抓取 sitemap.xml，我的 objective 是查找所有 url 及其增量计数。

下面是xml

的结构

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
    <url>
        <loc>http://www.htcysnc.com/m/designer-sarees</loc>
        <lastmod>2014-09-01</lastmod>
    <changefreq>hourly</changefreq>
    <priority>0.9</priority>
</url>
<url>
    <loc>http://www.htcysnc.com/m/anarkali-suits</loc>
    <lastmod>2014-09-01</lastmod>
    <changefreq>hourly</changefreq>
    <priority>0.9</priority>
</url>

下面是我的代码

from BeautifulSoup import BeautifulSoup
import requests
import gzip
from StringIO import StringIO


def crawler():
    count=0
    url="http://www.htcysnc.com/sitemap/sitemap_product.xml.gz"
    old_xml=requests.get(url)
    new_xml=gzip.GzipFile(fileobj=StringIO(old_xml.content)).read()
    #new_xml=old_xml.text
    final_xml=BeautifulSoup(new_xml)
    item_to_be_found=final_xml.findAll('loc')
    for i in item_to_be_found:
        count=count+1
        print i
        print count
    crawler()

我的输出是这样的

<loc>http://www.htcysnc.com/elegant-yellow-green-suit-seven-east-p63703</loc>
1
<loc>http://www.htcysnc.com/elegant-orange-pink-printed-suit-seven-east-p63705</loc>
2

需要输出为没有 loc 和 /loc 的链接。已尝试替换命令，但会引发错误。

Answer 1

此处 item_to_be_found 列表中的每个项目都是一个 Tag 类型的对象，因此您可以使用 .text 或 .string 获取 <loc> 标签内的字符串他们。虽然 .text 和 .string 有 differences 在这种情况下两者都将工作相同。

for loc in item_to_be_found:
    print item_to_be_found.index(loc) + 1, loc.text

这会给你这样的结果

1 http://www.htcysnc.com/m/designer-sarees
2 http://www.htcysnc.com/m/anarkali-suits

Answer 2

您可以使用一些属性来代替循环，这可能会使您的代码更快一些。

print i.text.strip()

那应该给你必要的信息，没有任何标签。

通过 python 抓取 sitemap.xml

Crawling sitemap.xml via python

python

xml

beautifulsoup

web-crawler