由于格式不同，无法从 XML 文件中提取数据答案

【问题标题】：Cannot pull data from XML files due to differences in format由于格式不同，无法从 XML 文件中提取数据
【发布时间】：2023-03-07 01:00:02
【问题描述】：

我有一个脚本，它接收一堆 XML 文件，格式为：HMDB61152.xml，然后使用 glob 将它们全部拉入。对于每个文件，我需要提取每个文件的一些详细信息，例如accession、name 和diseases 的列表。为了解析每个 XML，我使用了 xmltodict，因为我传统上喜欢使用列表而不是 XML 文件，尽管由于我面临的问题，我可能需要改变我的策略。

我可以轻松提取name 和acc，因为所有 XML 文件都将它放在树的同一第一级：

path = '/Users/me/Downloads/hmdb_metabolites' for data_file in glob.glob(os.path.join(path,'*.xml')): diseases=[] with open(data_file) as fd: doc = xmltodict.parse(fd.read()) name = doc['metabolite']['name'] acc = doc['metabolite']['accession']

所以在这一点上，疾病信息基本上有三个选项：

每个diseases 树中有多个disease 标签。即给定种质有 2 种或更多疾病。
diseases 树中有一个disease，这意味着该种质只有一种疾病。或
diseases 树中根本没有 disease。

我需要编写一个可以处理任何三种情况的循环，这就是我失败的地方。到目前为止，这是我的方法：

    #I get the disease root, which returns True if it has lower level items (one or more disease within diseases) 
#or False if there are no disease within diseases. 
    dis_root=doc['metabolite']['diseases']
    if (bool(dis_root)==True):
        dis_init = doc['metabolite']['diseases']['disease']
        if (bool(doc['metabolite']['diseases']['disease'][0]) == True):
            for x in range(0,len(dis_init)):
                diseases.append(doc['metabolite']['diseases']['disease'][x]['name'])
        else: 
            diseases.append(doc['metabolite']['diseases']['disease']['name'])

    else:
        diseases=['None']

所以问题是，对于有多种疾病的情况，我需要按以下格式提取它们的名称：doc['metabolite']['diseases']['disease'][x]['name'] for each x in disease。但是对于那些只有一种疾病的，他们根本没有索引，所以我能提取出那种疾病的名字的唯一方法是doc['metabolite']['diseases']['disease']['name']。

脚本失败是因为一旦我们遇到只有一种疾病的病例，它会在尝试测试是否doc['metabolite']['diseases']['disease'][0]) == True 时返回 KeyError。如果有人可以帮助我解决这个问题，那就太好了，或者指导我采取更合适的策略。

【问题讨论】：

标签： python xml keyerror xmltodict

【解决方案1】：

试试类似的东西

if 0 in doc['metabolite']['diseases']['disease']:
    pass # if 0 is a key in the array, we have multiple entries
else
    pass # only a single item.

【讨论】：

【解决方案2】：

找到了一个比较简单的解决方法，我简单的使用try如下方式：

try:
            for x in range(0,len(dis_init)):
                    diseases.append(doc['metabolite']['diseases']['disease'][x]['name'])
            except KeyError: 
                diseases.append(doc['metabolite']['diseases']['disease']['name'])

【讨论】：