960
gooseeker集搜客
Python: xml轉json
1，引言
GooSeeker早在9年前就開始了Semantic Web領域的產品化，MS謀數台和DS打數機是其中兩個產品。對web內容做結構化轉換和語義處理的主要路線是 XML -> RDF -> Ontology Engineering。所以這兩款產品的輸出信息是XML格式的，實現第一步：結構化轉換。單純作為一個網頁采集器來說，輸出XML格式也有好處，這是一種標準格式，後續的數據處理可以很容易地接入，任意發揮。
在web集成和網站前端領域，json越來越普遍，在Scrapy架構中，Scrapy dict數據結構本質上就是json，所以，由XML格式轉換成JSON格式很有必要。
無論哪種編程語言，XML轉Json都有很多現成的程序包，但是，就像前麵說的，GooSeeker定義的XML格式主要用來做實體建模，有自己規定的一套語義結構描述標準。所以，不能直接使用現成的轉換程序，或者需要在現成的轉換程序上做些修改。
本文是一個實驗過程，並沒有考慮GooSeeker要求的語義結構，隻是驗證一下XML到Json的轉換。
2，實驗用的XML文件
我們使用《python爬蟲實戰（2）：爬取京東商品列表》一文的結果文件，python爬蟲爬取的結果保存在 京東手機列表_1.xml 文件中。內容如下圖所示
下麵針對這個結果文件先做個xml轉json的測試，為提取器gsExtractor添加輸出Json文件的功能做技術準備。
3，測試過程
- 測試使用的模塊：xml.parsers.expat， json
- 測試輸入： 以python爬蟲實戰（2）：爬取京東商品列表一文的xml結果文件 京東手機列表_1.xml 作為輸入
代碼如下：
#! /usr/bin/env python
# -*- coding:utf-8 -*-
# xml 轉 json
# xml2json.py
# Version 1.0
from xml.parsers.expat import ParserCreate
import json
class Xml2Json:
LIST_TAGS = ['COMMANDS']
def __init__(self, data = None):
self._parser = ParserCreate()
self._parser.StartElementHandler = self.start
self._parser.EndElementHandler = self.end
self._parser.CharacterDataHandler = self.data
self.result = None
if data:
self.feed(data)
self.close()
def feed(self, data):
self._stack = []
self._data = ''
self._parser.Parse(data, 0)
def close(self):
self._parser.Parse("", 1)
del self._parser
def start(self, tag, attrs):
assert attrs == {}
assert self._data.strip() == ''
self._stack.append([tag])
self._data = ''
def end(self, tag):
last_tag = self._stack.pop()
assert last_tag[0] == tag
if len(last_tag) == 1: #leaf
data = self._data
else:
if tag not in Xml2Json.LIST_TAGS:
# build a dict, repeating pairs get pushed into lists
data = {}
for k, v in last_tag[1:]:
if k not in data:
data[k] = v
else:
el = data[k]
if type(el) is not list:
data[k] = [el, v]
else:
el.append(v)
else: #force into a list
data = [{k:v} for k, v in last_tag[1:]]
if self._stack:
self._stack[-1].append((tag, data))
else:
self.result = {tag:data}
self._data = ''
def data(self, data):
self._data = data
if __name__ == '__main__':
xml = open("京東手機列表_1.xml", 'r', encoding='UTF-8').read()
result = Xml2Json(xml).result;
outputfile = open("京東手機列表_1.json", 'w', encoding='UTF-8')
outputfile.write(str(result))
outputfile.close()
- 在控製台運行: $ python xml2json.py
- 測試輸出：京東手機列表_1.json。運行後在當前文件夾下可以看到新生成的json文件
4，接下來的工作
- 升級gsExtractor提取器類，加入新的方法，支持把提取結果從xml轉換為json格式。
- 轉換成的json結構必須符合GooSeeker要求的語義描述結構，為直接存入MongoDB做準備。
5，相關文檔
- Python即時網絡爬蟲項目: 內容提取器的定義
- Python爬蟲實戰（2）：爬取京東商品列表
6，集搜客GooSeeker開源代碼下載源
- GooSeeker開源Python網絡爬蟲GitHub源
7，文檔修改曆史
- 2016-06-14：V1.0，首次發布
若有疑問可以或
最後更新：2017-01-09 14:08:11