Python中的XML解析幫助

Question

我有一個XML文件，其中包含100個文檔。每個塊如下所示：

<DOC> 
<DOCNO> FR940104-2-00001 </DOCNO> 
<PARENT> FR940104-2-00001 </PARENT> 
<TEXT> 

<!-- PJG FTAG 4703 --> 

<!-- PJG STAG 4703 --> 

<!-- PJG ITAG l=90 g=1 f=1 --> 

<!-- PJG /ITAG --> 

<!-- PJG ITAG l=90 g=1 f=4 --> 
Federal Register 
<!-- PJG /ITAG --> 

<!-- PJG ITAG l=90 g=1 f=1 --> 
/Vol. 59, No. 2/Tuesday, January 4, 1994/Notices 
<!-- PJG 0012 frnewline --> 

<!-- PJG /ITAG --> 

<!-- PJG ITAG l=01 g=1 f=1 --> 
Vol. 59, No. 2 
<!-- PJG 0012 frnewline --> 

<!-- PJG /ITAG --> 

<!-- PJG ITAG l=02 g=1 f=1 --> 
Tuesday, January 4, 1994 
<!-- PJG 0012 frnewline --> 

<!-- PJG 0012 frnewline --> 

<!-- PJG /ITAG --> 

<!-- PJG /STAG --> 

<!-- PJG /FTAG --> 
</TEXT> 
</DOC> 

我想將此XML文檔加載到字典Text。鍵爲DOCNO &作爲文本在標籤內的值。此外，這個文本不應該包含所有的評論。示例Text['FR940104-2-00001']必須包含Federal Register/Vol. 59, No. 2/Tuesday, January 4, 1994/Notices Vol. 59, No. 2 Tuesday, January 4, 1994。這是我寫的代碼。

L = doc.getElementsByTagName("DOCNO") 
for node2 in L: 
    for node3 in node2.childNodes: 
     if node3.nodeType == Node.TEXT_NODE:    
      docno.append(node3.data); 
     #print node2.data 
L = doc.getElementsByTagName("TEXT") 
i = 0 
for node2 in L: 
    for node3 in node2.childNodes: 
     if node3.nodeType == Node.TEXT_NODE: 
      Text[docno[i]] = node3.data 
    i = i+1 

出人意料的是，我的代碼我得到的文本[「FR940104-2-00001」]作爲u'\n'怎麼來的？如何得到我想要的東西

Answer 1

你行

Text[docno[i]] = node3.data 

取代的映射值，而不是追加新的。您的<TEXT>節點既有文本又有註釋的子節點，彼此交錯。

Answer 2

DOM解析器會自動去除註釋。每一行都是一個節點。

所以，你需要使用：

Text[docno[i]]+= node3.data但你需要有所有鍵一個空的字典來之前。因此，您可以在您的第一個代碼塊中添加Text[node3.data] = '';。

所以，你的代碼就變成了：

L = doc.getElementsByTagName("DOCNO") 
for node2 in L: 
    for node3 in node2.childNodes: 
     if node3.nodeType == Node.TEXT_NODE:    
      docno.append(node3.data); 
      Text[node3.data] = ''; 
     #print node2.data 

L = doc.getElementsByTagName("TEXT") 
i = 0 
for node2 in L: 
    for node3 in node2.childNodes: 
     if node3.nodeType == Node.TEXT_NODE: 
      Text[docno[i]]+= node3.data 
    i = i+1 

Answer 3

你可能避免通過文檔循環兩次通過xml.sax.handler：

import xml.sax.handler 
import collections 


class DocBuilder(xml.sax.handler.ContentHandler): 
    def __init__(self): 
     self.state='' 
     self.docno='' 
     self.text=collections.defaultdict(list) 
    def startElement(self, name, attrs): 
     self.state=name 
    def endElement(self, name): 
     if name==u'TEXT': 
      self.docno='' 
    def characters(self,content):   
     content=content.strip() 
     if content: 
      if self.state==u'DOCNO': 
       self.docno+=content 
      elif self.state==u'TEXT': 
       if content: 
        self.text[self.docno].append(content) 


with open('test.xml') as f: 
    data=f.read()    
builder = DocBuilder() 
xml.sax.parseString(data, builder) 
for key,value in builder.text.iteritems(): 
    print('{k}: {v}'.format(k=key,v=' '.join(value))) 
# FR940104-2-00001: Federal Register/Vol. 59, No. 2/Tuesday, January 4, 1994/Notices Vol. 59, No. 2 Tuesday, January 4, 1994 

Answer 4

使用lxml：

import lxml.etree as le 
with open('test.xml') as f: 
    doc=le.parse(f) 

texts={} 
for docno in doc.xpath('DOCNO'): 
    docno_text=docno.text.strip()  
    text=' '.join([t.strip() 
      for t in docno.xpath('following-sibling::TEXT[1]/text()') 
      if t.strip()]) 
    texts[docno.text]=text 

print(texts) 
# {'FR940104-2-00001': 'Federal Register/Vol. 59, No. 2/Tuesday, January 4, 1994/Notices Vol. 59, No. 2 Tuesday, January 4, 1994'} 

這個版本是一個比我的第一個lxml解決方案簡單。 它處理DOCNO，TEXT節點的多個實例。 DOCNO/TEXT節點應該交替，但在任何情況下，DOCNO都與其後面最近的TEXT節點相關聯。

Answer 5

到unutbu的答案相似，但我認爲簡單：

from lxml import etree 
with open('test.xml') as f: 
    doc=etree.parse(f) 

result={} 
for elm in doc.xpath("/DOC[DOCNO]"): 
    key = elm.xpath("DOCNO")[0].text.strip() 
    value = "".join(t.strip() for t in elm.xpath("TEXT/text()") if t.strip()) 
    result[key] = value 

需要改變的是找到DOC元素在這個例子中的XPath是適合您的真正的文件 - 例如如果有一個頂級元素（所有DOC元素都是子元素），則會將其更改爲/*/DOC。該XPath謂詞跳過沒有DOCNO子元素的任何DOC元素，否則在設置密鑰時會導致異常。