我想使用“findall”方法在ElementTree模块中找到源xml文件的一些元素。
但是,源xml文件(test.xml)具有命名空间。我将部分xml文件截断为样本:
<?xml version="1.0" encoding="iso-8859-1"?>
<XML_HEADER xmlns="http://www.test.com">
<TYPE>Updates</TYPE>
<DATE>9/26/2012 10:30:34 AM</DATE>
<COPYRIGHT_NOTICE>All Rights Reserved.</COPYRIGHT_NOTICE>
<LICENSE>newlicense.htm</LICENSE>
<DEAL_LEVEL>
<PAID_OFF>N</PAID_OFF>
</DEAL_LEVEL>
</XML_HEADER>
示例python代码如下:
from xml.etree import ElementTree as ET
tree = ET.parse(r"test.xml")
el1 = tree.findall("DEAL_LEVEL/PAID_OFF") # Return None
el2 = tree.findall("{http://www.test.com}DEAL_LEVEL/{http://www.test.com}PAID_OFF") # Return <Element '{http://www.test.com}DEAL_LEVEL/PAID_OFF' at 0xb78b90>
虽然它可以工作,因为有一个名称空间“{http://www.test.com}”,在每个标记前面添加一个名称空间是非常不方便的。
使用“find”,“findall”等方法时,如何忽略命名空间?
而不是修改XML文档本身,最好解析它,然后修改结果中的标记。这样您就可以处理多个名称空间和名称空间别名:
from StringIO import StringIO
import xml.etree.ElementTree as ET
# instead of ET.fromstring(xml)
it = ET.iterparse(StringIO(xml))
for _, el in it:
if '}' in el.tag:
el.tag = el.tag.split('}', 1)[1] # strip all namespaces
root = it.root
这是基于这里的讨论:http://bugs.python.org/issue18304
如果在解析之前从xml中删除xmlns属性,那么树中的每个标记都不会添加名称空间。
import re
xmlstring = re.sub(' xmlns="[^"]+"', '', xmlstring, count=1)
到目前为止,答案明确地将命名空间值放在脚本中。对于更通用的解决方案,我宁愿从xml中提取命名空间:
import re
def get_namespace(element):
m = re.match('\{.*\}', element.tag)
return m.group(0) if m else ''
并在find方法中使用它:
namespace = get_namespace(tree.getroot())
print tree.find('./{0}parent/{0}version'.format(namespace)).text
这是对nonagon的答案的扩展,它也删除了属性的名称空间:
from StringIO import StringIO
import xml.etree.ElementTree as ET
# instead of ET.fromstring(xml)
it = ET.iterparse(StringIO(xml))
for _, el in it:
if '}' in el.tag:
el.tag = el.tag.split('}', 1)[1] # strip all namespaces
for at in el.attrib.keys(): # strip namespaces of attributes too
if '}' in at:
newat = at.split('}', 1)[1]
el.attrib[newat] = el.attrib[at]
del el.attrib[at]
root = it.root
改进ericspod的答案:
我们可以将它包装在支持with构造的对象中,而不是全局更改解析模式。
from xml.parsers import expat
class DisableXmlNamespaces:
def __enter__(self):
self.oldcreate = expat.ParserCreate
expat.ParserCreate = lambda encoding, sep: self.oldcreate(encoding, None)
def __exit__(self, type, value, traceback):
expat.ParserCreate = self.oldcreate
然后可以如下使用
import xml.etree.ElementTree as ET
with DisableXmlNamespaces():
tree = ET.parse("test.xml")
这种方式的优点在于它不会改变with块之外的无关代码的任何行为。在使用ericspod的版本之后,我在使用expat之后在不相关的库中获得错误后最终创建了这个。
您也可以使用优雅的字符串格式构造:
ns='http://www.test.com'
el2 = tree.findall("{%s}DEAL_LEVEL/{%s}PAID_OFF" %(ns,ns))
或者,如果您确定PAID_OFF仅出现在树中的一个级别:
el2 = tree.findall(".//{%s}PAID_OFF" % ns)
如果您使用的是ElementTree
而不是cElementTree
,则可以通过替换ParserCreate()
强制Expat忽略命名空间处理:
from xml.parsers import expat
oldcreate = expat.ParserCreate
expat.ParserCreate = lambda encoding, sep: oldcreate(encoding, None)
ElementTree
尝试通过调用ParserCreate()
来使用Expat,但没有提供不提供命名空间分隔符字符串的选项,上面的代码将导致它被忽略但是警告这可能会打破其他事情。
我可能会迟到但我不认为re.sub
是一个很好的解决方案。
但是,重写xml.parsers.expat
不适用于Python 3.x版本,
主要的罪魁祸首是xml/etree/ElementTree.py
看到源代码的底部
# Import the C accelerators
try:
# Element is going to be shadowed by the C implementation. We need to keep
# the Python version of it accessible for some "creative" by external code
# (see tests)
_Element_Py = Element
# Element, SubElement, ParseError, TreeBuilder, XMLParser
from _elementtree import *
except ImportError:
pass
哪有点难过。
解决方案是首先摆脱它。
import _elementtree
try:
del _elementtree.XMLParser
except AttributeError:
# in case deleted twice
pass
else:
from xml.parsers import expat # NOQA: F811
oldcreate = expat.ParserCreate
expat.ParserCreate = lambda encoding, sep: oldcreate(encoding, None)
在Python 3.6上测试过。
尝试try
语句是有用的,以防你的代码中的某个地方重新加载或导入模块两次,你得到一些奇怪的错误,如
btw该死的etree源代码看起来真的很乱。