通过python

Question

我正在抓取一个sitemap.xml，我的目标是查找所有网址及其增量数。

以下是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>

以下是我的代码

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()

我的输出就像这样

<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。尝试过替换命令，但这会引发错误。

Answer 1

此处item_to_be_found列表中的每个项目都是Tag类型对象，因此您可以使用<loc>或.text在.string标记内获取字符串。虽然.text和.string有differences，但在这种情况下两者都相同。

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

这会给你一个像

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，而这可能会使您的代码快一些。

print i.text.strip()

这应该为您提供必要的信息，而不带任何标签。