python - 使用 lxml 解析奇怪结构的 XML

Question

我有许多 XML 文件需要解析。我写了一些有效但很丑陋的代码，我想从比我更有 XML 经验的人那里得到一些建议。

首先，我可能在错误的上下文中使用了一些术语，因为我在 XML 方面的经验有限。对于元素，除非另有说明，我的意思是这样的:

 <root>
  <element>
   ...
  </element>
  <element>
   ...
  </element>
 </root>  

无论如何，每个文件都包含许多元素，以及许多子元素(很明显)。令我感到困惑的是，需要以四种不同的方式访问相关值；

1)节点文本:

<tag>value</tag>

2)属性:

<tag attribute="value"></tag>

3) 标签内“隐藏”的值(本例中为“true”):

<tag><boolean.true/></tag>

4) 同名标​​签(“tagA”)内的值，但具有不同名称(“tag1”和“tag2”)的“祖 parent ”标签，都在同一元素内。 “tagA”对我没有用，我会寻找“tag1”和“tag2”。

<element>
   <tag1><tagA>value</tagA><tag1>
   <tag2><tagA>value</tagA></tag2>
</element>

目前我有一本字典，每个文件都是一个键。这些值是具有键“属性”、“节点文本”、“标签”和“父元素”的字典。

例子:

{'file1.xml' : 'attributes' : {'Person': 'Id', 'Car' : 'Color'},
               'node text': ['Name', 'Address'],
}

其中“Person”和“Car”是标签，“Id”和“Color”是属性名。

这使得迭代所有元素并检查每个标签变得容易，如果字典中有匹配项(如果 elem.tag in dict['file1.xml']['attributes'])，提取值.

正如我所说，代码有效，但我不喜欢我的解决方案。此外，并非所有元素都具有所有子元素(例如，一个人可能没有汽车，那么该标签将完全丢失)，我需要为这些值分配“无”。现在我得到了每个文件中每个元素应该存在的所有标签，将它们变成一个集合，然后检查这些标签与我实际从该元素中提取值的标签集之间的差异。同样，代码非常难看。

希望这个烂摊子是有道理的。

编辑:

我采纳了 J.F. Sebastian 的建议，将每个值的 xpath 存储在字典中，字段名称作为键，xpath 作为值。

Answer 1

您可以通过使用与您的元素相关的 xpath 表达式而不是复杂的数据结构来简化您的输入 代码，例如，#1-4 情况:

1. 标签/文本()
2. 标签/@属性
3. 姓名(DTBoolean/*[1])
4. (标签1|标签2)/*/文本()

使用什么输出数据结构取决于您希望以后如何在您的代码中使用它。您可以从最适合您当前代码的结构开始。并在您更好地理解需求后将其发展为更通用的解决方案。

I output it to csv, where each element is one row in the csv file. ... I use a defaultdict to store the elements and then store those in a list before I output them to csv.

你可以使用普通的字典和 csv.DictWriter(fieldnames=xpathdict.keys()):

# for each element
row_dict = dict.fromkeys(xpathdict.keys())
...
# for each key 
row_dict[key] = element.xpath(xpathdict[key]) or None
...
dictwriter.writerow(row_dict)

其中xpathdict是字段名和对应的xpath表达式之间的映射。一般而言，您可以存储函数对象 f(element) -> csv field 来代替/除 xpath exprs 之外。