2

我正在尝试从<v:imagedata r:id="rId7" o:title="1-REN"/>带有命名空间的 Word 文档中查找所有内容xmlns:v="urn:schemas-microsoft-com:vml"，但我无法弄清楚语法到底是什么。

这些文档只涵盖了非常简单的案例，并且使用了 URN 和 VML 组合，我似乎无法让我在网上看到的任何示例都能正常工作。有谁碰巧知道它是什么？

我正在尝试做这样的事情：

namespace = {'v': "urn:schemas-microsoft-com:vml"}

results = ET.fromstring(xml).findall("imagedata", namespace)
for image_id in results:
    print(image_id)

编辑：@aneroid 写的是 1000% 的正确答案并且非常有帮助。你应该赞成它。也就是说，在了解了所有这些之后 - 我选择了 BS4 答案，因为它完全按照我的需要在两行中完成了整个工作。如果您实际上并不关心名称空间，那么它似乎更容易。

4

3 回答 3

8

使用Python 3.8中的 ElementTree ，您可以简单地为命名空间使用通配符 ( {*})：

results = ET.fromstring(xml).findall(".//{*}imagedata")

注意.//部分，这意味着搜索整个文档（所有后代）。

于 2020-05-31T14:30:43.163 回答
2

ET.findall()与BS4.find_all()：

  • findall()默认情况下，ElementTree不是递归的*。它只会找到提供的节点的直接子节点。因此，在您的情况下，它仅在根元素下直接搜索图像节点。
    • *根据下面mzjn 的评论match，为参数（标记或路径）添加前缀将在树中的任何位置".//"搜索该节点，因为它支持 XPath 的.
  • BeautifulSoupfind_all() 搜索所有后代。因此它会在树中的任何位置搜索“imagedata”节点。

  • 但是，ElementTree.iter()确实搜索所有后代。使用文档中的“使用命名空间”示例：

    >>> for char in root.iter('{http://characters.example.com}character'):
...     print(' |-->', char.text)
...
 |--> Lancelot
 |--> Archie Leach
 |--> Sir Robin
 |--> Gunther
 |--> Commander Clement
  • 可悲的是，ET.iterfind()它使用命名空间作为 dict（如 ET.findall），也不会搜索 descendants ，默认情况下只搜索直接子代*。就像 ET.findall。除了''标签中的空字符串如何在命名空间中被处理，一个返回一个列表而另一个返回一个迭代器，我不能说ET.findalland之间存在有意义的区别ET.iterfind。
    • *如上ET.findall()，前缀".//"使其搜索整个树（与任何节点匹配）。

当您使用带有 ET 的名称空间时，您仍然需要带有标签的名称空间名称。结果行应该是：

namespace = {'v': "urn:schemas-microsoft-com:vml"}
results = ET.fromstring(xml).findall("v:imagedata", namespace)  # note the 'v:'

此外，'v'不需要是 a 'v'，如果需要，您可以将其更改为更有意义的内容：

namespace = {'image': "urn:schemas-microsoft-com:vml"}
results = ET.fromstring(xml).findall("image:imagedata", namespace)

当然，如果它们不是根的直接子元素，这仍然不一定会为您提供所有 imagedata 元素。为此，您需要创建一个递归函数来为您执行此操作。有关如何查看此答案的信息。请注意，虽然该答案进行递归搜索，但如果后代深度太深，您可能会达到 Python 的递归限制。

要获取树中任意位置的所有 imagedata 元素，请使用".//"前缀：

results = ET.fromstring(xml).findall(".//v:imagedata", namespace)
于 2020-05-31T03:20:33.937 回答
1

我打算让这个问题保持开放，但我目前使用的解决方法是使用 BeautifulSoup，它很乐意接受v:语法。

soup = BeautifulSoup(xml, "lxml")

results = soup.find_all("v:imagedata")
于 2020-05-31T01:40:04.443 回答