如何使用 Python XML findall 查找 '<v:imagedata r:id="rId7" o:title="1-REN"/>'

Posted 2023-02-21

【中文标题】如何使用 Python XML findall 查找 \'<v:imagedata r:id="rId7" o:title="1-REN"/>\'

【英文标题】：How to use Python XML findall to find '<v:imagedata r:id="rId7" o:title="1-REN"/>'如何使用 Python XML findall 查找 '<v:imagedata r:id="rId7" o:title="1-REN"/>'

【发布时间】：2020-09-18 11:14:07

【问题描述】：

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

docs 仅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可以工作。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。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命名空间，那似乎更容易。

【参考方案1】：

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）。

【讨论】：

这也适用于.iter()（可能还有所有与搜索相关的方法）。此外，.// 位是特定于问题的详细信息。不需要使用新的* 通配符。

通配符真的可以与iter() 一起使用吗？链接的 3.8 发行说明仅提及“.find*() 方法”。

是的，我已确认您的行为。 Documention on 'Supported XPath syntax' 现在还指定：*spam selects tags named spam in any (or no) namespace 和 Changed in version 3.8: Support for star-wildcards was added.

@Aaron：“这也适用于.iter()”是什么意思？命名空间通配符不与iter() 一起使用。它适用于find()、findall() 和findtext()。

来自我的本地测试；新的通配符在iter() 中有效。简要回顾； source-code commit 似乎修改了用于确定标签是否匹配的比较逻辑，所以我假设即使没有记录，也可以说这适用于 .iter()。然而，在有人添加适当的单元测试并更新文档之前，这只是一个假设。

【参考方案2】：

ET.findall() 与 BS4.find_all():

ElementTree's findall() 不是递归的默认情况下^*。它只会

找到所提供节点的直接子节点

。因此，在您的情况下，它仅在根元素下直接搜索图像节点。 ^* 根据下面的mzjn's comment，在match 参数（标签或路径）前加上".//" 将搜索该节点

在树中的任何位置

，因为它是@ 987654323@. BeautifulSoup's find_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'working with namespaces' example in the docs：

>>> for char in root.iter('http://characters.example.comcharacter'):
...     print(' |-->', char.text)
...
 |--> Lancelot
 |--> Archie Leach
 |--> Sir Robin
 |--> Gunther
 |--> Commander Clement

遗憾的是，ET.iterfind() 将命名空间用作 dict（如 ET.findall），也

不搜索后代

，仅直接子代默认情况下^*。就像 ET.findall。除了标签中的空字符串'' 在命名空间中如何被处理，一个返回一个列表而另一个返回一个迭代器之外，我不能说ET.findall 和ET.iterfind 之间存在有意义的区别。 ^* 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 的命名空间时，您仍然需要带有标签的 命名空间名称。结果行应该是：

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

另外，'v' 不必是 '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，这仍然不一定会得到所有的 imagedata 元素。为此，您需要创建一个递归函数来为您执行此操作。请参阅this answer on SO 了解如何操作。请注意，虽然该答案会进行递归搜索，但如果后代深度太高，您可能会达到 Python 的递归限制...deep。

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)

【讨论】：

findall 可以找到所有imagedata 节点。只需使用findall(".//v:imagedata", namespace)。

谢谢！我已经编辑并澄清了我的答案 wrt ET.findall()，以及 ET.iterfind()。

【参考方案3】：

我将保留这个问题，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")