没有递归搜索python的xml解析

Question

这让我精神崩溃，而且我可能已经研究了很久，所以希望能得到一些帮助，以防止失去/恢复我的理智！基于食物的 xml 只是我希望实现的一个示例。

我有以下文件，我试图将其放入图表中，因此小麦和水果是深度为 0 的父母。印第安人是深度为 1 的小麦的孩子，依此类推。

每一层都有一些关键字。所以我想出来的是

layer, depth, parent, keywords
wheat, 1, ROOT, [bread, pita, narn, loaf]  
indian, 2, wheat [chapati]
mumbai, 3, indian, puri 
fruit, 1,ROOT, [apple, orange, pear, lemon]

这是一个示例文件 -

<keywords>
    <layer id="wheat">
        <layer id="indian">
            <keyword>chapati</keyword>
            <layer id="mumbai">
                <keyword>puri</keyword>
            </layer>
        </layer>
        <keyword>bread</keyword>
        <keyword>pita</keyword>
        <keyword>narn</keyword>
        <keyword>loaf</keyword>
    </layer>
    <layer id="fruit">
        <keyword>apple</keyword>
        <keyword>orange</keyword>
        <keyword>pear</keyword>
        <keyword>lemon</keyword>
    </layer>

</keywords>

所以这不是一个图表问题，我可以很容易地做到这一点。我正在努力解析 XML。

如果我做一个

xmldoc = minidom.parse(self.filename)

layers = xmldoc.getElementsByTagName('layer')

layers 只返回所有层元素，这太多了，据我所知，它没有深度/层次的概念，因为它进行递归搜索。

以下帖子很好，但没有提供我需要的概念。 XML Parsing with Python and minidom。任何人都可以帮助我解决这个问题吗？我可以发布我的代码，但它是如此被黑客攻击/从根本上被破坏，我认为它不会被人类或野兽使用！

干杯

戴夫

Answer 1

使用lxml。特别是 XPath。您可以通过"//layer" 和ID 为id 的layer 通过"//layer[id='{}'][0]".format(id) 获取所有layer 元素，无论级别如何。 ".../keyword" 的一个元素（或多个元素）正下方的 keyword 元素（其中 ... 是一个查询，它产生应搜索其后代的节点）。

获取给定节点的深度并不是那么简单，但仍然很容易。我没有找到现有的函数（afaik，这是在 XPath 的域之外 - 虽然您可以在查询中检查深度，但您只能返回元素，即您可以返回具有特定深度但不能返回深度本身的节点） ，所以这里是一个手动的（没有递归，因为它不是必需的 - 但一般来说，使用 XML 意味着使用递归，无论喜欢与否！）：

def depth(node):
    depth = 0
    while node.getparent() is not None:
        node = node.getParent()
        depth += 1
    return depth

如果你愚蠢到不使用现有最好的 Python XML 库，那么 DOM 可能会发生非常相似的事情；）

Answer 2

这是ElementTree的解决方案：

from xml.etree import ElementTree as ET
from io import StringIO
from collections import defaultdict

data = '''\
<keywords>
    <layer id="wheat">
        <layer id="indian">
            <keyword>chapati</keyword>
            <layer id="mumbai">
                <keyword>puri</keyword>
            </layer>
        </layer>
        <keyword>bread</keyword>
        <keyword>pita</keyword>
        <keyword>narn</keyword>
        <keyword>loaf</keyword>
    </layer>
    <layer id="fruit">
        <keyword>apple</keyword>
        <keyword>orange</keyword>
        <keyword>pear</keyword>
        <keyword>lemon</keyword>
    </layer>
</keywords>
'''

path = ['ROOT']  # stack for layer names
items = defaultdict(list)  # key=layer, value=list of items @ layer

f = StringIO(data)
for evt,e in ET.iterparse(f,('start','end')):
    if evt == 'start':
        if e.tag == 'layer':
            path.append(e.attrib['id']) # new layer added to path
        elif e.tag == 'keyword':
            items[path[-1]].append(e.text) # add item to last layer in path
    elif evt == 'end':
        if e.tag == 'layer':
            layer = path.pop()
            parent = path[-1]
            print layer,len(path),parent,items[layer]

输出

mumbai 3 indian ['puri']
indian 2 wheat ['chapati']
wheat 1 ROOT ['bread', 'pita', 'narn', 'loaf']
fruit 1 ROOT ['apple', 'orange', 'pear', 'lemon']

Answer 3

您可以递归遍历 DOM treje（请参阅 kelloti 的回答）或从找到的节点中确定信息：

xmldoc = minidom.parse(filename)
layers = xmldoc.getElementsByTagName("layer")

def _getText(node):
    rc = []
    for n in node.childNodes:
        if n.nodeType == n.TEXT_NODE:
            rc.append(n.data)
    return ''.join(rc)

def _depth(n):
    res = -1
    while isinstance(n, minidom.Element):
        n = n.parentNode
        res += 1
    return res

for l in layers:
    keywords = [_getText(k) for k in l.childNodes
                if k.nodeType == k.ELEMENT_NODE and k.tagName == 'keyword']
    print("%s %s %s" % (l.getAttribute("id"), _depth(l), keywords))

Answer 4

尝试在递归函数中遍历所有子节点，检查每个子节点的标签名称。即

def findLayer(node):
    for n in node.childNodes:
        if n.localName == 'layer':
            findLayer(n)
            # do things here

或者，尝试使用具有 XPath 功能的不同 XML 库，例如 Amara 或 lxml。使用 XPath，您可以用很少的代码对搜索 DOM 树进行更多控制。