Я пытаюсь проанализировать URL-адреса из файла Sitemap XML, который не является моим. К сожалению, некоторые из XML плохо написаны и содержат unescaped/invalid characters, такие как амперсанды.
Это код, который я использую для синтаксического анализа моего файла XML в настоящее время:
from xml.etree import ElementTree as ET
tree = ET.parse('test.xml')
root = tree.getroot()
name_space = '{http://www.sitemaps.org/schemas/sitemap/0.9}'
urls = []
for child in root.iter():
for block in child.findall('{}url'.format(name_space)):
for url in block.findall('{}loc'.format(name_space)):
urls.append('{}\n'.format(url.text))
with open('sample_urls.txt', 'w+') as f:
f.writelines(urls)
Я сталкиваюсь с этой ошибкой, когда он сталкивается с неэкранированным URL: ParseError: неверно сформирован (недействительный токен).
Как я могу избежать этих проблем и продолжать разбирать файл? Я столкнулся с функцией escape() модуля xml.sax.saxutils, но не уверен, что лучший способ применить его на основе того, что у меня есть.
Если можно, попробуйте использовать lxml.html
. Вы должны быть осторожны, хотя; он игнорирует пространства имен, поэтому вам нужно быть уверенным, что вы выбираете то, что собираетесь на выбор.
Пример...
sitemap_products_1.xml (Укороченная версия той, с которой вы связались. Обратите внимание, что второй url
имеет плохое значение loc
.)
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"
xmlns:image="http://www.google.com/schemas/sitemap-image/1.1">
<url>
<loc>https://www.samsclub.com/sams/mirror-convex/prod13760282.ip</loc>
<image:image>
<image:title>See All 160 Degree Convex Security Mirror - 24" w x 15" h</image:title>
<image:loc>https://scene7.samsclub.com/is/image/samsclub/0003308171524_A</image:loc>
</image:image>
</url>
<url>
<loc>https://www.samsclub.com/sams/at&t-3-handset-cordless-phone/prod21064454.ip</loc>
<image:image>
<image:title>AT&T 3 Handset Cordless Phone</image:title>
<image:loc>https://scene7.samsclub.com/is/image/samsclub/0065053003067_A</image:loc>
</image:image>
</url>
<url>
<loc>https://www.samsclub.com/sams/premium-free-flow-waterbed-mattress-kit-queen/104864.ip</loc>
<image:image>
<image:title>Premium Free Flow Waterbed Mattress Kit- Queen</image:title>
<image:loc>https://scene7.samsclub.com/is/image/samsclub/0040649555859_A</image:loc>
</image:image>
</url>
</urlset>
Python 3.x
from lxml import html
tree = html.parse("sitemap_products_1.xml")
for elem in tree.findall(".//url/loc"):
print(elem.text)
Вывод (обратите внимание, что второй URL-адрес полностью напечатан).
https://www.samsclub.com/sams/mirror-convex/prod13760282.ip
https://www.samsclub.com/sams/at&t-3-handset-cordless-phone/prod21064454.ip
https://www.samsclub.com/sams/premium-free-flow-waterbed-mattress-kit-queen/104864.ip
Учитывая пример, который вы опубликовали, я бы сказал, что использование регулярного выражения будет достаточно, когда дело доходит до символов &
. То есть, если вы полностью не хотите удалить такие элементы <loc/>
. Ниже приведен алгоритм, который поможет вам восстановить такие ошибки.
Поскольку &t-
внутри .../at&t-3-handset-cordless...
явно не является допустимым символьным кодом амперсанда, вы можете захватить все между &
и первым ;
внутри значения <loc/>
или начала закрывающего тега (</
, который будет </loc>
).
Затем вы можете проверить, действительно ли захваченная строка является символьным символом (поскольку они ограничены, вы можете создать набор и проверить, находится ли строка внутри). Если это не так, замените этот (только тот!) Амперсанд с помощью &
строка.
Продолжайте движение туда, где заменено &
было и продолжайте повторять, пока вы не охватите полный элемент <loc/>
.
После этого вы можете запустить синтаксический анализатор XML, и поскольку все недопустимые коды символов амперсанда были заменены, вы должны иметь возможность правильно сформировать XML, то есть, если нет других проблем с ним.
Обратите внимание, что это просто из головы.