如何解析 XML 并计算特定节点属性的实例?
Posted
技术标签:
【中文标题】如何解析 XML 并计算特定节点属性的实例?【英文标题】:How to parse XML and count instances of a particular node attribute? 【发布时间】:2010-12-27 02:43:41 【问题描述】:我在包含 XML 的数据库中有很多行,我正在尝试编写 Python 脚本来计算特定节点属性的实例。
我的树看起来像:
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
如何使用 Python 访问 XML 中的属性 "1"
和 "2"
?
【问题讨论】:
相关:Python xml ElementTree from a string source? 【参考方案1】:我建议ElementTree
。同一API还有其他兼容的实现,如Python标准库本身的lxml
、cElementTree
;但是,在这种情况下,他们主要增加的是更快的速度——编程部分的易用性取决于 ElementTree
定义的 API。
首先从 XML 构建一个 Element 实例 root
,例如使用XML 函数,或通过以下方式解析文件:
import xml.etree.ElementTree as ET
root = ET.parse('thefile.xml').getroot()
或ElementTree
中显示的许多其他方式中的任何一种。然后执行以下操作:
for type_tag in root.findall('bar/type'):
value = type_tag.get('foobar')
print(value)
还有类似的,通常非常简单的代码模式。
【讨论】:
您似乎忽略了 Python 附带的 xml.etree.cElementTree,并且在某些方面比 lxml 更快(“lxml 的 iterparse() 比 cET 中的稍慢”——来自的电子邮件lxml作者)。 ElementTree 工作并包含在 Python 中。虽然 XPath 支持有限,并且您不能遍历元素的父元素,这会减慢开发速度(尤其是如果您不知道这一点)。详情请见python xml query get parent。lxml
增加的不仅仅是速度。它提供了对父节点、XML 源中的行号等信息的轻松访问,这些信息在多种情况下都非常有用。
似乎 ElementTree 存在一些漏洞问题,这是来自文档的引用:Warning The xml.etree.ElementTree module is not secure against maliciously constructed data. If you need to parse untrusted or unauthenticated data see XML vulnerabilities.
@Cristik 这似乎是大多数 xml 解析器的情况,请参阅XML vulnerabilities page。【参考方案2】:
minidom
是最快且非常直接的。
XML:
<data>
<items>
<item name="item1"></item>
<item name="item2"></item>
<item name="item3"></item>
<item name="item4"></item>
</items>
</data>
Python:
from xml.dom import minidom
xmldoc = minidom.parse('items.xml')
itemlist = xmldoc.getElementsByTagName('item')
print(len(itemlist))
print(itemlist[0].attributes['name'].value)
for s in itemlist:
print(s.attributes['name'].value)
输出:
4
item1
item1
item2
item3
item4
【讨论】:
如何获得“item1”的值?例如:minidom
的文档在哪里?我只发现了这个,但没有:docs.python.org/2/library/xml.dom.minidom.html
我也很困惑,为什么它直接从文档的顶层找到item
?如果您提供路径 (data->items
) 会不会更干净?因为,如果您也有 data->secondSetOfItems
,它也有名为 item
的节点,并且您只想列出两组 item
中的一组,该怎么办?
请看***.com/questions/21124018/…
语法在这里不起作用你需要删除括号for s in itemlist: print(s.attributes['name'].value)
【参考方案3】:
你可以使用BeautifulSoup:
from bs4 import BeautifulSoup
x="""<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>"""
y=BeautifulSoup(x)
>>> y.foo.bar.type["foobar"]
u'1'
>>> y.foo.bar.findAll("type")
[<type foobar="1"></type>, <type foobar="2"></type>]
>>> y.foo.bar.findAll("type")[0]["foobar"]
u'1'
>>> y.foo.bar.findAll("type")[1]["foobar"]
u'2'
【讨论】:
三年后使用 bs4,这是一个很好的解决方案,非常灵活,尤其是在源格式不正确的情况下 @YOUBeautifulStoneSoup
已弃用。只需使用BeautifulSoup(source_xml, features="xml")
又过了 3 年,我只是尝试使用 ElementTree
加载 XML,不幸的是它无法解析,除非我在某些地方调整源但 BeautifulSoup
立即工作而没有任何更改!
@andi 您的意思是“已弃用”。 “折旧”是指价值下降,通常是由于老化或正常使用造成的磨损。
再过 3 年,现在 BS4 还不够快。需要年龄。寻找更快的解决方案【参考方案4】:
那里有很多选择。如果速度和内存使用是一个问题,cElementTree 看起来很棒。与简单地使用readlines
读取文件相比,它的开销非常小。
相关指标见下表,复制自cElementTree 网站:
library time space
xml.dom.minidom (Python 2.1) 6.3 s 80000K
gnosis.objectify 2.0 s 22000k
xml.dom.minidom (Python 2.4) 1.4 s 53000k
ElementTree 1.2 1.6 s 14500k
ElementTree 1.2.4/1.3 1.1 s 14500k
cDomlette (C extension) 0.540 s 20500k
PyRXPU (C extension) 0.175 s 10850k
libxml2 (C extension) 0.098 s 16000k
readlines (read as utf-8) 0.093 s 8850k
cElementTree (C extension) --> 0.047 s 4900K <--
readlines (read as ascii) 0.032 s 5050k
正如@jfs 所指出的,cElementTree
与 Python 捆绑在一起:
from xml.etree import cElementTree as ElementTree
。
Python 3:from xml.etree import ElementTree
(自动使用加速的 C 版本)。
【讨论】:
使用 cElementTree 有什么缺点吗?这似乎是一个明智的选择。 显然他们不想在 OS X 上使用该库,因为我花了超过 15 分钟试图找出从哪里下载它并且没有链接有效。缺乏文档会阻碍好的项目蓬勃发展,希望更多人能够意识到这一点。 @Stunner:它在 stdlib 中,也就是说,你不需要下载任何东西。在 Python 2 上:from xml.etree import cElementTree as ElementTree
。在 Python 3 上:from xml.etree import ElementTree
(自动使用加速的 C 版本)
@mayhewsw 要想清楚如何有效地将ElementTree
用于特定任务,需要付出更多的努力。对于适合内存的文档,使用minidom
会容易得多,并且对于较小的 XML 文档也适用。【参考方案5】:
为了简单起见,我建议xmltodict。
它将您的 XML 解析为 OrderedDict;
>>> e = '<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo> '
>>> import xmltodict
>>> result = xmltodict.parse(e)
>>> result
OrderedDict([(u'foo', OrderedDict([(u'bar', OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])]))]))])
>>> result['foo']
OrderedDict([(u'bar', OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])]))])
>>> result['foo']['bar']
OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])])
【讨论】:
同意。如果您不需要 XPath 或任何复杂的东西,使用起来会简单得多(尤其是在解释器中);对于发布 XML 而不是 JSON 的 REST API 很方便 请记住 OrderedDict 不支持重复键。大多数 XML 都充满了相同类型的多个同级(例如,一个部分中的所有段落,或者您的栏中的所有类型)。所以这只适用于非常有限的特殊情况。 @TextGeek 在这种情况下,result["foo"]["bar"]["type"]
是所有 <type>
元素的列表,因此它仍然有效(尽管结构可能有点出乎意料)。
自 2019 年以来没有更新
我刚刚意识到自 2019 年以来没有更新。我们需要找到一个活跃的分叉。【参考方案6】:
lxml.objectify 真的很简单。
获取示例文本:
from lxml import objectify
from collections import defaultdict
count = defaultdict(int)
root = objectify.fromstring(text)
for item in root.bar.type:
count[item.attrib.get("foobar")] += 1
print dict(count)
输出:
'1': 1, '2': 1
【讨论】:
count
使用默认键将每个项目的计数存储在字典中,因此您不必检查成员资格。您也可以尝试查看collections.Counter
。【参考方案7】:
Python 有一个到 expat XML 解析器的接口。
xml.parsers.expat
它是一个非验证解析器,因此不会捕获错误的 XML。但是,如果您知道您的文件是正确的,那么这非常好,您可能会得到您想要的确切信息,并且您可以随时丢弃其余信息。
stringofxml = """<foo>
<bar>
<type arg="value" />
<type arg="value" />
<type arg="value" />
</bar>
<bar>
<type arg="value" />
</bar>
</foo>"""
count = 0
def start(name, attr):
global count
if name == 'type':
count += 1
p = expat.ParserCreate()
p.StartElementHandler = start
p.Parse(stringofxml)
print count # prints 4
【讨论】:
【参考方案8】:只是为了增加另一种可能性,您可以使用 untangle,因为它是一个简单的 xml-to-python-object 库。这里有一个例子:
安装:
pip install untangle
用法:
您的 XML 文件(稍作改动):
<foo>
<bar name="bar_name">
<type foobar="1"/>
</bar>
</foo>
使用untangle
访问属性:
import untangle
obj = untangle.parse('/path_to_xml_file/file.xml')
print obj.foo.bar['name']
print obj.foo.bar.type['foobar']
输出将是:
bar_name
1
关于 untangle 的更多信息可以在“untangle”中找到。
此外,如果您好奇,可以在“Python and XML”中找到用于处理 XML 和 Python 的工具列表。您还会看到之前的答案中提到了最常见的。
【讨论】:
是什么让 untangle 与 minidom 不同? 我无法告诉你这两者之间的区别,因为我没有使用过 minidom。【参考方案9】:我可能会建议declxml。
完全披露:我编写这个库是因为我正在寻找一种在 XML 和 Python 数据结构之间进行转换的方法,而无需使用 ElementTree 编写数十行命令式解析/序列化代码。
使用 declxml,您可以使用 处理器 以声明方式定义 XML 文档的结构以及如何在 XML 和 Python 数据结构之间进行映射。处理器用于序列化和解析以及基本级别的验证。
解析成 Python 数据结构很简单:
import declxml as xml
xml_string = """
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
"""
processor = xml.dictionary('foo', [
xml.dictionary('bar', [
xml.array(xml.integer('type', attribute='foobar'))
])
])
xml.parse_from_string(processor, xml_string)
产生输出:
'bar': 'foobar': [1, 2]
您也可以使用相同的处理器将数据序列化为 XML
data = 'bar':
'foobar': [7, 3, 21, 16, 11]
xml.serialize_to_string(processor, data, indent=' ')
产生以下输出
<?xml version="1.0" ?>
<foo>
<bar>
<type foobar="7"/>
<type foobar="3"/>
<type foobar="21"/>
<type foobar="16"/>
<type foobar="11"/>
</bar>
</foo>
如果您想使用对象而不是字典,您可以定义处理器来将数据转换为对象以及从对象转换。
import declxml as xml
class Bar:
def __init__(self):
self.foobars = []
def __repr__(self):
return 'Bar(foobars=)'.format(self.foobars)
xml_string = """
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
"""
processor = xml.dictionary('foo', [
xml.user_object('bar', Bar, [
xml.array(xml.integer('type', attribute='foobar'), alias='foobars')
])
])
xml.parse_from_string(processor, xml_string)
产生以下输出
'bar': Bar(foobars=[1, 2])
【讨论】:
【参考方案10】:这是一个使用cElementTree
的非常简单但有效的代码。
try:
import cElementTree as ET
except ImportError:
try:
# Python 2.5 need to import a different module
import xml.etree.cElementTree as ET
except ImportError:
exit_err("Failed to import cElementTree from any known place")
def find_in_tree(tree, node):
found = tree.find(node)
if found == None:
print "No %s in file" % node
found = []
return found
# Parse a xml file (specify the path)
def_file = "xml_file_name.xml"
try:
dom = ET.parse(open(def_file, "r"))
root = dom.getroot()
except:
exit_err("Unable to open and parse input definition file: " + def_file)
# Parse to find the child nodes list of node 'myNode'
fwdefs = find_in_tree(root,"myNode")
这是来自“python xml parse”。
【讨论】:
【参考方案11】:XML:
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
Python 代码:
import xml.etree.cElementTree as ET
tree = ET.parse("foo.xml")
root = tree.getroot()
root_tag = root.tag
print(root_tag)
for form in root.findall("./bar/type"):
x=(form.attrib)
z=list(x)
for i in z:
print(x[i])
输出:
foo
1
2
【讨论】:
【参考方案12】:如果您使用python-benedict
,则无需使用特定于库的 API。只需从您的 XML 初始化一个新实例并轻松管理它,因为它是 dict
子类。
安装很简单:pip install python-benedict
from benedict import benedict as bdict
# data-source can be an url, a filepath or data-string (as in this example)
data_source = """
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>"""
data = bdict.from_xml(data_source)
t_list = data['foo.bar'] # yes, keypath supported
for t in t_list:
print(t['@foobar'])
它支持并规范化多种格式的 I/O 操作:Base64
、CSV
、JSON
、TOML
、XML
、YAML
和 query-string
。
它在GitHub 上经过良好测试和开源。披露:我是作者。
【讨论】:
【参考方案13】:xml.etree.ElementTree 与 lxml
这些是两个最常用的库的一些优点,在选择它们之前我会有所了解。
xml.etree.ElementTree:
-
来自标准库:无需安装任何模块
lxml
-
轻松编写XML声明:比如你需要添加
standalone="no"
吗?
漂亮的打印:您可以拥有一个漂亮的缩进 XML,而无需额外的代码。
Objectify 功能:它允许您像处理普通 Python 对象层次结构一样使用 XML.node
。
sourceline
允许轻松获取您正在使用的 XML 元素的行。
您还可以使用内置的 XSD 架构检查器。
【讨论】:
【参考方案14】:import xml.etree.ElementTree as ET
data = '''<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>'''
tree = ET.fromstring(data)
lst = tree.findall('bar/type')
for item in lst:
print item.get('foobar')
这将打印foobar
属性的值。
【讨论】:
【参考方案15】:simplified_scrapy
: 一个新的lib,用过之后就爱上了。我推荐给你。
from simplified_scrapy import SimplifiedDoc
xml = '''
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
'''
doc = SimplifiedDoc(xml)
types = doc.selects('bar>type')
print (len(types)) # 2
print (types.foobar) # ['1', '2']
print (doc.selects('bar>type>foobar()')) # ['1', '2']
Here 是更多示例。这个库很容易使用。
【讨论】:
【参考方案16】:#If the xml is in the form of a string as shown below then
from lxml import etree, objectify
'''sample xml as a string with a name space http://xmlns.abc.com'''
message =b'<?xml version="1.0" encoding="UTF-8"?>\r\n<pa:Process xmlns:pa="http://xmlns.abc.com">\r\n\t<pa:firsttag>SAMPLE</pa:firsttag></pa:Process>\r\n' # this is a sample xml which is a string
print('************message coversion and parsing starts*************')
message=message.decode('utf-8')
message=message.replace('<?xml version="1.0" encoding="UTF-8"?>\r\n','') #replace is used to remove unwanted strings from the 'message'
message=message.replace('pa:Process>\r\n','pa:Process>')
print (message)
print ('******Parsing starts*************')
parser = etree.XMLParser(remove_blank_text=True) #the name space is removed here
root = etree.fromstring(message, parser) #parsing of xml happens here
print ('******Parsing completed************')
dict=
for child in root: # parsed xml is iterated using a for loop and values are stored in a dictionary
print(child.tag,child.text)
print('****Derving from xml tree*****')
if child.tag =="http://xmlns.abc.comfirsttag":
dict["FIRST_TAG"]=child.text
print(dict)
### output
'''************message coversion and parsing starts*************
<pa:Process xmlns:pa="http://xmlns.abc.com">
<pa:firsttag>SAMPLE</pa:firsttag></pa:Process>
******Parsing starts*************
******Parsing completed************
http://xmlns.abc.comfirsttag SAMPLE
****Derving from xml tree*****
'FIRST_TAG': 'SAMPLE''''
【讨论】:
还请提供一些上下文来解释您的答案如何解决问题。不鼓励仅使用代码回答。【参考方案17】:如果您不想使用任何外部库或第三方工具,请尝试以下代码。
这会将xml
解析为python dictionary
这也将解析 xml 属性
这也将解析像<tag/>
这样的空标签和像<tag var=val/>
这样只有属性的标签
代码
import re
def getdict(content):
res=re.findall("<(?P<var>\S*)(?P<attr>[^/>]*)(?:(?:>(?P<val>.*?)</(?P=var)>)|(?:/>))",content)
if len(res)>=1:
attreg="(?P<avr>\S+?)(?:(?:=(?P<quote>['\"])(?P<avl>.*?)(?P=quote))|(?:=(?P<avl1>.*?)(?:\s|$))|(?P<avl2>[\s]+)|$)"
if len(res)>1:
return [i[0]:["@attributes":[j[0]:(j[2] or j[3] or j[4]) for j in re.findall(attreg,i[1].strip())],"$values":getdict(i[2])] for i in res]
else:
return res[0]:["@attributes":[j[0]:(j[2] or j[3] or j[4]) for j in re.findall(attreg,res[1].strip())],"$values":getdict(res[2])]
else:
return content
with open("test.xml","r") as f:
print(getdict(f.read().replace('\n','')))
示例输入
<details class="4b" count=1 boy>
<name type="firstname">John</name>
<age>13</age>
<hobby>Coin collection</hobby>
<hobby>Stamp collection</hobby>
<address>
<country>USA</country>
<state>CA</state>
</address>
</details>
<details empty="True"/>
<details/>
<details class="4a" count=2 girl>
<name type="firstname">Samantha</name>
<age>13</age>
<hobby>Fishing</hobby>
<hobby>Chess</hobby>
<address current="no">
<country>Australia</country>
<state>NSW</state>
</address>
</details>
输出 (美化)
[
"details": [
"@attributes": [
"class": "4b"
,
"count": "1"
,
"boy": ""
]
,
"$values": [
"name": [
"@attributes": [
"type": "firstname"
]
,
"$values": "John"
]
,
"age": [
"@attributes": []
,
"$values": "13"
]
,
"hobby": [
"@attributes": []
,
"$values": "Coin collection"
]
,
"hobby": [
"@attributes": []
,
"$values": "Stamp collection"
]
,
"address": [
"@attributes": []
,
"$values": [
"country": [
"@attributes": []
,
"$values": "USA"
]
,
"state": [
"@attributes": []
,
"$values": "CA"
]
]
]
]
]
,
"details": [
"@attributes": [
"empty": "True"
]
,
"$values": ""
]
,
"details": [
"@attributes": []
,
"$values": ""
]
,
"details": [
"@attributes": [
"class": "4a"
,
"count": "2"
,
"girl": ""
]
,
"$values": [
"name": [
"@attributes": [
"type": "firstname"
]
,
"$values": "Samantha"
]
,
"age": [
"@attributes": []
,
"$values": "13"
]
,
"hobby": [
"@attributes": []
,
"$values": "Fishing"
]
,
"hobby": [
"@attributes": []
,
"$values": "Chess"
]
,
"address": [
"@attributes": [
"current": "no"
]
,
"$values": [
"country": [
"@attributes": []
,
"$values": "Australia"
]
,
"state": [
"@attributes": []
,
"$values": "NSW"
]
]
]
]
]
]
【讨论】:
这个方法不错,但是返回的结果不方便使用。【参考方案18】:如果源是 xml 文件,就说这个示例
<pa:Process xmlns:pa="http://sssss">
<pa:firsttag>SAMPLE</pa:firsttag>
</pa:Process>
你可以试试下面的代码
from lxml import etree, objectify
metadata = 'C:\\Users\\PROCS.xml' # this is sample xml file the contents are shown above
parser = etree.XMLParser(remove_blank_text=True) # this line removes the name space from the xml in this sample the name space is --> http://sssss
tree = etree.parse(metadata, parser) # this line parses the xml file which is PROCS.xml
root = tree.getroot() # we get the root of xml which is process and iterate using a for loop
for elem in root.getiterator():
if not hasattr(elem.tag, 'find'): continue # (1)
i = elem.tag.find('')
if i >= 0:
elem.tag = elem.tag[i+1:]
dict= # a python dictionary is declared
for elem in tree.iter(): #iterating through the xml tree using a for loop
if elem.tag =="firsttag": # if the tag name matches the name that is equated then the text in the tag is stored into the dictionary
dict["FIRST_TAG"]=str(elem.text)
print(dict)
输出将是
'FIRST_TAG': 'SAMPLE'
【讨论】:
以上是关于如何解析 XML 并计算特定节点属性的实例?的主要内容,如果未能解决你的问题,请参考以下文章