2

我尝试使用 lxml.etree 来解析 XML 文件并将文本查找到 XML 的元素中。

XML 文件可以是这样的:

<?xml version="1.0" encoding="UTF-8"?>
<OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/" 
     xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
     xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/
     http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd">
 <responseDate>2002-06-01T19:20:30Z</responseDate> 
 <request verb="ListRecords" from="1998-01-15"
      set="physics:hep"
      metadataPrefix="oai_rfc1807">
      http://an.oa.org/OAI-script</request>
 <ListRecords>
  <record>
    <header>
      <identifier>oai:arXiv.org:hep-th/9901001</identifier>
      <datestamp>1999-12-25</datestamp>
      <setSpec>physics:hep</setSpec>
      <setSpec>math</setSpec>
    </header>
    <metadata>
     <rfc1807 xmlns=
    "http://info.internet.isi.edu:80/in-notes/rfc/files/rfc1807.txt" 
      xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
      xsi:schemaLocation=
       "http://info.internet.isi.edu:80/in-notes/rfc/files/rfc1807.txt
    http://www.openarchives.org/OAI/1.1/rfc1807.xsd">
    <bib-version>v2</bib-version>
    <id>hep-th/9901001</id>
    <entry>January 1, 1999</entry>
    <title>Investigations of Radioactivity</title>
    <author>Ernest Rutherford</author>
    <date>March 30, 1999</date>
     </rfc1807>
    </metadata>
    <about>
      <oai_dc:dc 
      xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" 
      xmlns:dc="http://purl.org/dc/elements/1.1/" 
      xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
      xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ 
      http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
    <dc:publisher>Los Alamos arXiv</dc:publisher>
    <dc:rights>Metadata may be used without restrictions as long as 
       the oai identifier remains attached to it.</dc:rights>
      </oai_dc:dc>
    </about>
  </record>
  <record>
    <header status="deleted">
      <identifier>oai:arXiv.org:hep-th/9901007</identifier>
      <datestamp>1999-12-21</datestamp>
    </header>
  </record>
 </ListRecords>
</OAI-PMH>

对于以下部分,我们假设doc = etree.parse("/tmp/test.xml")text.xml 包含上面粘贴的 xml。

首先,我尝试查找所有<record>使用的元素,doc.findall(".//record")但它返回一个空列表。

其次,对于给定的单词,我想检查它是否在<dc:publisher>. 为了实现这一点,我首先尝试做和之前一样的事情:doc.findall(".//publisher")但我有同样的问题......我很确定所有这些都与命名空间相关联,但我不知道如何处理它们。

我已经阅读了 libxml教程,并尝试findall了基本 xml 文件(没有任何命名空间)上的方法示例,并且成功了。

4

3 回答 3

6

正如 Chris 已经提到的,您还可以使用 lxml 和 xpath。由于 xpath 不允许您完整地编写命名空间名称{http://www.openarchives.org/OAI/2.0/}record(所谓的“James Clark 表示法”*),因此您必须使用前缀,并为 xpath 引擎提供前缀到命名空间 uri 的映射。

lxml 示例(假设您已经拥有所需的tree对象):

nsmap = {'oa':'http://www.openarchives.org/OAI/2.0/', 
         'dc':'http://purl.org/dc/elements/1.1/'}
tree.xpath('//oa:record[descendant::dc:publisher[contains(., "Alamos")]]',
            namespaces=nsmap)

这将选择所有具有包含单词“Alamos”{http://www.openarchives.org/OAI/2.0/}record的后代元素的元素。{http://purl.org/dc/elements/1.1/}dc

[*] 这是来自James Clark 解释 XML 命名空间的一篇文章,不熟悉命名空间的每个人都应该阅读这篇文章!(虽然是很久以前写的)

于 2012-05-29T13:21:38.663 回答
4

免责声明:我使用的是标准库 xml.etree.ElementTree 模块,而不是 lxml 库(尽管据我所知这是 lxml 的一个子集)。我确信有一个比我使用 lxml 和 XPATH 的答案要简单得多,但我不知道。

命名空间问题

您说得对,问题可能出在名称空间上。XML 文件中没有record元素,但文件中有两个{http://www.openarchives.org/OAI/2.0/}record标签。如下所示:

>>> import xml.etree.ElementTree as etree

>>> xml_string = ...Your XML to parse...
>>> e = etree.fromstring(xml_string)

# Let's see what the root element is
>>> e
<Element {http://www.openarchives.org/OAI/2.0/}OAI-PMH at 7f39ebf54f80>

# Let's see what children there are of the root element
>>> for child in e:
...     print child
...
<Element {http://www.openarchives.org/OAI/2.0/}responseDate at 7f39ebf54fc8>
<Element {http://www.openarchives.org/OAI/2.0/}request at 7f39ebf58050>
<Element {http://www.openarchives.org/OAI/2.0/}ListRecords at 7f39ebf58098>

# Finally, let's get the children of the `ListRecords` element
>>> for child in e[-1]:
...     print child
... 
<Element {http://www.openarchives.org/OAI/2.0/}record at 7f39ebf580e0>
<Element {http://www.openarchives.org/OAI/2.0/}record at 7f39ebf58908>

所以,例如

>>> e.find('ListRecords')

返回None,而

>>> e.find('{http://www.openarchives.org/OAI/2.0/}ListRecords'
<Element {http://www.openarchives.org/OAI/2.0/}ListRecords at 7f39ebf58098>

返回ListRecords元素。

请注意,我正在使用该find方法,因为标准库 ElementTree 没有xpath方法。

可能的解决方案

解决此问题并获取名称空间前缀并将其添加到您要查找的标记的一种方法。您可以使用

>>>> e.tag[:e.tag.index('}')+1]
'{http://www.openarchives.org/OAI/2.0/}'

在根元素 ,e上找到命名空间,尽管我确信有更好的方法来做到这一点。

现在我们可以定义函数来提取我们想要的标签我们一个可选的命名空间前缀:

def findallNS(element, tag, namespace=None):

    if namspace is not None:
        return element.findall(namepsace+tag)
    else:
        return element.findall(tag)

def findNS(element, tag, namespace=None):

    if namspace is not None:
        return element.find(namepsace+tag)
    else:
        return element.find(tag)

所以现在我们可以写:

>>> list_records = findNS(e, 'ListRecords', namespace)
>>> findallNS(list_records, 'record', namespace)
[<Element {http://www.openarchives.org/OAI/2.0/}record at 7f39ebf580e0>, 
<Element {http://www.openarchives.org/OAI/2.0/}record at 7f39ebf58908>]

替代解决方案

另一种解决方案可能是编写一个函数来搜索所有以您感兴趣的标签结尾的标签,例如:

def find_child_tags(element, tag):
    return [child for child in element if child.tag.endswith(tag)]

在这里,您根本不需要处理名称空间。

于 2012-05-29T12:54:29.107 回答
2

@Chris 的回答非常好,它也可以使用lxml。这是另一种使用lxml方式(与xpath代替的方式相同find):

In [37]: xml.find('.//n:record', namespaces={'n': 'http://www.openarchives.org/OAI/2.0/'})
Out[37]: <Element {http://www.openarchives.org/OAI/2.0/}record at 0x2a451e0>
于 2012-05-29T13:20:21.050 回答