我正在尝试使用elementTree的iterparse函数根据文本过滤节点并将它们写入新文件。我使用 iterparse 因为输入文件很大(100+ MB)
input.xml
<xmllist>
<page id="1">
<title>movie title 1</title>
<text>this is a moviein theatres/text>
</page>
<page id="2">
<title>movie title 2</title>
<text>this is a horror film</text>
</page>
<page id="3">
<title></title>
<text>actor in film</text>
</page>
<page id="4">
<title>some other topic</title>
<text>nothing related</text>
</page>
</xmllist>
预期输出(文本中包含“movie”或“film”的所有页面)
<xmllist>
<page id="1">
<title>movie title 1</title>
<text>this is a movie<n theatres/text>
</page>
<page id="2">
<title>movie title 2</title>
<text>this is a horror film</text>
</page>
<page id="3">
<title></title>
<text>actor in film</text>
</page>
</xmllist>
当前代码
import xml.etree.cElementTree as etree
from xml.etree.cElementTree import dump
output_file=open('/tmp/outfile.xml','w')
for event, elem in iter(etree.iterparse("/tmp/test.xml", events=('start','end'))):
if event == "end" and elem.tag == "page": #need to add condition to search for strings
output_file.write(elem)
elem.clear()
如何添加正则表达式以根据页面的文本属性进行过滤?
最佳答案
您正在寻找子项,而不是属性,因此最简单的方法是在迭代中“经过”标题时对其进行分析,并记住结果,直到获得结果页面的末尾:
import re
good_page = False
for event, elem in iter(etree.iterparse("/tmp/test.xml", events=('start','end'))):
if event == 'end':
if elem.tag = 'title':
good_page = re.search(r'film|movie', elem.text)
elif elem.tag == 'page':
if good_page:
output_file.write(elem)
good_page = False
elem.clear()
如果未找到,re.search
将返回 None
,而 if
会将其视为 false,因此我们避免写入没有标题的页面以及标题文本与您想要的 RE 不匹配的页面。
关于python元素树迭代解析过滤器节点和子节点,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28253006/