python - 我如何在 Python 中使用 LXML 捕获 XML 文件的所有元素名称？

Question

我能够使用 lxml 来完成我想做的大部分事情，尽管通过这些令人困惑的示例和教程是一件很困难的事情。简而言之，我能够读取外部 xml 文件并通过 lxml 将其导入适当的树状格式。

为了证明这一点，如果我输入:

print(etree.tostring(myXmlTree, pretty_print= True, method= "xml") )

我得到以下输出:

<net xmlns="http://www.arin.net/whoisrws/core/v1" xmlns:ns2="http://www.arin.net/whoisrws/rdns/v1" xmlns:ns3="http://www.arin.net/whoisrws/netref/v2" termsOfUse="https://www.arin.net/whois_tou.html">
 <registrationDate>2006-08-29T00:00:00-04:00</registrationDate>
 <ref>http://whois.arin.net/rest/net/NET-79-0-0-0-1</ref>
 <endAddress>79.255.255.255</endAddress>
 <handle>NET-79-0-0-0-1</handle>
 <name>79-RIPE</name>
 <netBlocks>
  <netBlock>
   <cidrLength>8</cidrLength>
   <endAddress>79.255.255.255</endAddress>
   <description>Allocated to RIPE NCC</description>
   <type>RN</type>
   <startAddress>79.0.0.0</startAddress>
  </netBlock>
 </netBlocks>
 <orgRef name="RIPE Network Coordination Centre" handle="RIPE">http://whois.arin.net/rest/org/RIPE</orgRef>
 <comment>
  <line number="0">These addresses have been further assigned to users in</line>
  <line number="1">the RIPE NCC region. Contact information can be found in</line>
  <line number="2">the RIPE database at http://www.ripe.net/whois</line>
 </comment>
 <startAddress>79.0.0.0</startAddress>
 <updateDate>2009-05-18T07:34:02-04:00</updateDate>
 <version>4</version>
</net>

好吧，这对人类消费很好，但对机器没有用。如果我想要特定的元素，比如 xml 中的开始和结束 IP 地址，我可以键入:

ns = myXmlTree.nsmap.values()[0]
myXmlTree.findall("{" + ns + "}startAddress")[0].text
myXmlTree.findall("{" + ns + "}endAddress")[0].text

我会收到:

'79.0.0.0'
'79.255.255.255'

但我仍然需要以人的身份查看 xml 文件，以了解其中包含哪些元素。相反，我希望能够检索特定级别的所有元素的名称，然后自动遍历该级别。因此，例如，我想做类似的事情:

myElements = myXmlTree.findallelements("{" + ns + "}")

它会给我一个类似这样的返回值:

['registrationDate', 'ref', 'endAddress', 'handle', 'name', 'netBlocks', 'orgRef', 'comment', 'startAddress', 'updateDate', 'version']

如果它能告诉我元素的整个结构，包括嵌套元素，那就太棒了。

我确定有办法，否则就没有意义。

提前致谢!

P.S.，我知道我可以迭代并遍历所有迭代的列表。我希望 lxml 中已经有一个包含这些数据的方法。如果迭代是唯一的方法，我想那没关系……我觉得这很笨拙。

Answer 1

我相信您正在寻找 element.xpath() .

XPath不是 lxml 引入的概念而是一种通用的查询语言，用于从许多处理 XML 的事物支持的 XML 文档中选择节点。将其视为类似于 CSS 选择器的东西，但更强大(也更复杂一点)。参见 XPath Syntax .

您的文档使用了命名空间——我暂时忽略它并在文章末尾解释如何处理它们，因为这样可以使示例更具可读性。 (但它们不会按原样用于您的文档)。

例如，

tree.xpath('/net/endAddress')

将选择 <endAddress>79.255.255.255</endAddress> <net /> 正下方的元素节点。但不是 <endAddress />在<netBlock>里面.

XPath 表达式

tree.xpath('//endAddress')

但是会选择所有 <endAddress />文档中任意位置的节点。

您当然可以进一步查询使用 XPath 表达式返回的节点:

netblocks = tree.xpath('/net/netBlocks/netBlock')
for netblock in netblocks:
    start = netblock.xpath('./startAddress/text()')[0]
    end = netblock.xpath('./endAddress/text()')[0]
    print "%s - %s" % (start, end)

给你

79.0.0.0 - 79.255.255.255

注意 .xpath()总是返回选定节点的列表 - 所以如果你只想要一个，请考虑到这一点。

您还可以通过属性选择元素:

comment = tree.xpath('/net/comment')[0]
line_2 = comment.xpath("./line[@number='2']")[0]

这将选择 <line />带有 number="2" 的元素从第一条评论开始。

您也可以自己选择属性:

numbers = tree.xpath('//line/attribute::number')

['0', '1', '2']

要获取您最后询问的元素名称列表，您可以这样做:

names = [node.tag for node in tree.xpath('/net/*')]

['registrationDate', 'ref', 'endAddress', 'handle', 'name', 'netBlocks', 'orgRef', 'comment', 'startAddress', 'updateDate', 'version']

但考虑到 XPath 的强大功能，最好只查询文档以了解您想要从中了解的内容，具体或松散取决于您认为合适。

现在，命名空间。正如您所注意到的，如果您的文档使用 XML namespace ，则需要在很多地方考虑到这一点，XPath 也不异常(exception)。查询命名空间文档时，您传递 xpath()像这样处理命名空间映射:

NSMAP = {'ns':  'http://www.arin.net/whoisrws/core/v1',
         'ns2': 'http://www.arin.net/whoisrws/rdns/v1',
         'ns3': 'http://www.arin.net/whoisrws/netref/v2'}

names = [node.tag for node in tree.xpath('/ns:net/*', namespaces=NSMAP)]

在 lxml 的许多其他地方您可以使用 None 指定默认 namespace 作为命名空间映射中的字典键。不适用于 xpath()不幸的是，这会引发异常

TypeError: empty namespace prefix is not supported in XPath

所以不幸的是，您必须在 XPath 表达式中为每个节点名称添加前缀 ns: (或者您选择将该命名空间映射到的任何内容)。

有关 XPath 语法的更多信息，请参阅 XPath Syntax 示例W3Schools Xpath Tutorial 中的页面.

要开始使用 XPath，在许多 XPath testers 中的一个中摆弄您的文档也很有帮助。 .此外，Firefox 的 Firebug 插件或 Google Chrome 检查器允许您显示所选元素的(或者更确切地说，许多之一)XPath。