前言

在近期的工作代码中我遇到了一些小问题，导致了我的更新慢了不少。明天我就想把我在之前遇到的问题分享给大家，并通过一篇实战内容来教会大家，心愿各位小伙伴当前遇到相似问题的时候，能够想起我的文章，并解决问题。

明天我要分享的常识是对于xml文件的解析。

什么是XML

XML指可拓展标记语言，规范通用标记语言的子集，是一种用于标记电子文件使其具备结构性的标记语言。XML被设计用来传输和存储数据。XML是一套定义语义的标记规定，这些标记将文档的许多部件并对这些部件加以标识。他也是元标记语言，即定义了用于定义其余畛域无关的、语义的、结构化的标记语言的句法语言

Python对XML的解析

常见的XML接口次要有两种DOM和SAX，这两种接口解决XML的形式不同，当然应用的场景也不雷同。

SAX（simple API for XML）

Python规范库包含SAX解析器，SAX用事件驱动模型，通过在解析XML的过程中触发一个个事件并调用用户定义的回调函数来解决XML文件。

DOM（Document Object Model）

将XML数据在内存中解析成一个树，通过对树的操作，来操作XML。

本次分享中应用的XML文件为movies.xml，内容如下：

<collection shelf="New Arrivals"><movie title="Enemy Behind">   <type>War, Thriller</type>   <format>DVD</format>   <year>2003</year>   <rating>PG</rating>   <stars>10</stars>   <description>Talk about a US-Japan war</description></movie><movie title="Transformers">   <type>Anime, Science Fiction</type>   <format>DVD</format>   <year>1989</year>   <rating>R</rating>   <stars>8</stars>   <description>A schientific fiction</description></movie>   <movie title="Trigun">   <type>Anime, Action</type>   <format>DVD</format>   <episodes>4</episodes>   <rating>PG</rating>   <stars>10</stars>   <description>Vash the Stampede!</description></movie><movie title="Ishtar">   <type>Comedy</type>   <format>VHS</format>   <rating>PG</rating>   <stars>2</stars>   <description>Viewable boredom</description></movie></collection>

就目前来说，咱们比拟罕用的解析形式是应用DOM模块进行解析。

Python解析XML示例

from xml.dom.minidom import parseimport xml.dom.minidom# 应用minidom解析器关上XML文档DOMTree = xml.dom.minidom.parse('movies.xml')   # 返回Document对象collection = DOMTree.documentElement    # 获取元素操作对象# print(collection)if collection.hasAttribute('shelf'):    print('Root element : %s' % collection.getAttribute('shelf'))# 在汇合中获取所有的电影movies = collection.getElementsByTagName('movie')   # 返回所有的movie标签，并保留在列表中# print(movies)for movie in movies:    print('*******movie******')    if movie.hasAttribute('title'):        print('Title: %s' % movie.getAttribute('title'))    type = movie.getElementsByTagName('type')[0]    print('Type: %s' % type.childNodes[0].data) # 获取标签元素的内容    format = movie.getElementsByTagName('format')[0]    print('format: %s' % format.childNodes[0].data)    rating = movie.getElementsByTagName('rating')[0]    print('rating: %s' % rating.childNodes[0].data)    description = movie.getElementsByTagName('description')[0]    print('description: %s' % description.childNodes[0].data)

爱奇艺弹幕

最近出了一篇新剧，叫做《赘婿》，想必大家都看到了吧。明天咱们的实战内容就是把观众发送的弹幕抓取下来，并将我在爬取过程中遇到的内容分享给大家。

剖析网页

一般来说，视屏的弹幕是不可能呈现在网页源码中的，那么初步判断是通过异步加载弹幕数据。

首先关上开发者工具-->点击network-->点击XHR

image

找到相似上图所示的URL，咱们只须要其中的：/54/00/7973227714515400。

爱奇艺的弹幕地址获取如下：

https://cmts.iqiyi.com/bullet/参数1_300_参数2.z

参数1是：/54/00/7973227714515400

参数2是：数字1、2、3......

爱奇艺每5分钟就会加载一次弹幕，每一集下来大略是46分钟，因而弹幕的链接如下：

https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_1.zhttps://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_2.zhttps://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_3.z...https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_10.z

数据解码

当你把下面的URL复制到浏览器中，你会发现间接下载一个以.z为后缀的压缩包，windows不能间接关上，只能先通过Python对压缩包进行解码。

在这里我先对zlib这个库做简略的解释，zlib用于压缩和解压缩数据流。

因而，咱们能够对下载下来的数据包进行解压缩。

首先，须要以二进制的形式读取数据包，再进行解压缩。

就拿我刚刚下载下来的压缩包为例子吧。

具体代码如下所示：

import zlibwith open('7973227714515400_300_1.z', 'rb') as f:    data = f.read()decode = zlib.decompress(bytearray(data), 15 + 32).decode('utf-8')print(decode)

运行后果，如下所示：

image

不晓得你有没有发现这类数据很像是XML，那咱们就无妨写多两行代码，将数据保留为XML文件。

具体代码，如下所示：

import zlibwith open('7973227714515400_300_1.z', 'rb') as f:    data = f.read()decode = zlib.decompress(bytearray(data), 15 + 32).decode('utf-8')with open('zx-1.xml', 'w', encoding='utf-8') as f:    f.write(decode)

失去的XML文件内容，如下所示：

image

看到运行运行后果之后是不是有点小惊喜呀，依据我下面所讲的内容就能够获取到咱们想要的数据了。

提取数据

具体代码，如下所示：

from xml.dom.minidom import parseimport xml.dom.minidomDOMTree = xml.dom.minidom.parse('zx-1.xml')collection = DOMTree.documentElemententrys = collection.getElementsByTagName('entry')   for entry in entrys:    content = entry.getElementsByTagName('content')[0].childNodes[0].data    print(content)

运行后果，如下所示：

image

当初对网页的剖析和数据的获取思路想必大家都明确了。

那当初咱们又须要回到刚刚的终点了，须要结构弹幕URL，并向该URL发送申请，获取它的二进制数据，再进行解压缩并保留为XML文件，最初从该文件中提取弹幕数据。

结构URL

具体代码，如下所示：

# 结构URL    def get_urls(self):        urls = []        for x in range(1, 11):            url = f'https://cmts.iqiyi.com/bullet/54/00/7973227714515400_300_{x}.z'            urls.append(url)        return urls

保留XML文件

具体代码，如下所示：

# 保留xml文件    def get_xml(self):        urls = self.get_urls()        count = 1        for url in urls:            content = requests.get(url, headers=self.headers).content            decode = zlib.decompress(bytearray(content), 15 + 32).decode('utf-8')            with open(f'../data/zx-{count}.xml', 'a', encoding='utf-8') as f:                f.write(decode)            count += 1

避坑：

1、首先咱们要获取的内容其实是一个压缩包，因而咱们的headers应该这样写：

self.headers = {            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.150 Safari/537.36',            'Accept-Encoding': 'gzip, deflate'        }

避免出现如下谬误：

image

2、保留的xml文件不能以中文命名，还有一点就是最好增加一个 - ，如下所示：

zx-0zx-1...zx-9

避免出现如下谬误：

image

将XML文件都保留下来之后，临时正文掉爬虫代码，因为，接下来咱们须要对下面的文件进行数据提取了。

提取数据

 # 提取数据    def parse_data(self):        danmus = []                for x in range(1, 11):            DOMTree = xml.dom.minidom.parse(f'../data/zx-{x}.xml')            collection = DOMTree.documentElement            entrys = collection.getElementsByTagName('entry')            for entry in entrys:                danmu = entry.getElementsByTagName('content')[0].childNodes[0].data                danmus.append(danmu)        # print(danmus)        df = pd.DataFrame({            '弹幕': danmus        })        return df

在这里咱们刚好应用到了，刚刚学习的XML的解析形式。所以对于咱们来说，提取外面的弹幕对咱们来说基本上，没有什么问题。

保留数据

 # 保留数据    def save_data(self):        df = self.parse_data()        df.to_csv('../data/danmu.csv', encoding='utf-8-sig', index=False)

评论内容词云

image

小伙伴们请留神，这个只是第一集，就有两千多条弹幕，由此能够看出，这部剧还是比拟火爆的。

最初

没有什么事件是能够欲速不达的，生存如此，学习亦是如此！

因而，哪里会有什么三天速成，七天速成的说法呢？

唯有保持，方能胜利！