Wyodrębnij linki z mapy witryny (xml)

Powiedzmy, że mam sitemap.xmlplik z tymi danymi:

<url>
<loc>http://domain.com/pag1</loc>
<lastmod>2012-08-25</lastmod>
<changefreq>weekly</changefreq>
<priority>0.9</priority>
</url>
<url>
<loc>http://domain.com/pag2</loc>
<lastmod>2012-08-25</lastmod>
<changefreq>weekly</changefreq>
<priority>0.9</priority>
</url>
<url>
<loc>http://domain.com/pag3</loc>
<lastmod>2012-08-25</lastmod>
<changefreq>weekly</changefreq>
<priority>0.9</priority>
</url>

Chcę wyodrębnić z niego wszystkie lokalizacje (dane pomiędzy <loc>i </loc>).

Przykładowe dane wyjściowe będą takie jak:

http://domain.com/pag1
http://domain.com/pag2
http://domain.com/pag3

Jak to zrobić?

Tutaj możesz użyć skryptu python

Skrypt ten uruchamia wszelkie linki rozpoczynające się od http

import re

f = open('sitemap.xml','r')
res = f.readlines()
for d in res:
    data = re.findall('>(http:\/\/.+)<',d)
    for i in data:
        print i

W twoim przypadku następny skrypt znajdzie wszystkie dane zawinięte w tagi

import re

f = open('sitemap.xml','r')
res = f.readlines()
for d in res:
    data = re.findall('<loc>(http:\/\/.+)<\/loc>',d)
    for i in data:
        print i

Oto fajne narzędzie do gry z wyrażeniem regularnym, jeśli go nie znasz.

jeśli chcesz załadować plik zdalny, możesz użyć następnego kodu

import urllib2 as ur
import re

f = ur.urlopen(u'http://server.com/sitemap.xml')
res = f.readlines()
for d in res:
  data = re.findall('<loc>(http:\/\/.+)<\/loc>',d)
  for i in data:
    print i

Jeśli korzystasz z Linux-a lub czegoś z narzędziem grep , możesz po prostu uruchomić:

grep -Po 'http (s?): // [^ \ "() \ <>] *' sitemap.xml

Można to osiągnąć za pomocą pojedynczego polecenia sed, które wydaje się być bardziej solidne niż rozwiązanie grep:

sed '/<loc>/!d; s/[[:space:]]*<loc>\(.*\)<\/loc>/\1/' inputfile > outputfile

(znaleziony na: linuxquestions.org )

Za pomocą XSLTmożesz to wyrenderowaćXPath

/url/loc

Rozwiązanie XSLT:

<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version="1.0"
    xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:s="http://www.sitemaps.org/schemas/sitemap/0.9">

  <xsl:output method="text" />

  <xsl:template match="s:url">
    <xsl:value-of select="s:loc" />
    <xsl:text>
</xsl:text>
  </xsl:template>

</xsl:stylesheet>