用 Python 解析 XML答案

【问题标题】：Parsing XML with Python用 Python 解析 XML
【发布时间】：2012-02-28 18:45:35
【问题描述】：

我有几个大的 .xml 文件。我想解析文件来做几件事。

我只想拔出：

XML-/title1 并将其保存到列表 A（例如）
XML-/title2 并将其保存到列表 B
XML-/title3 并将其保存到列表 C
等等等等

使用 Python 2.x 最适合导入/使用的库。我该如何设置？有什么建议吗？

例如：

 <PubmedArticle>
    <MedlineCitation Owner="NLM" Status="MEDLINE">
        <PMID Version="1">8981971</PMID>
        <Article PubModel="Print">
            <Journal>
                <ISSN IssnType="Print">0002-9297</ISSN>
                <JournalIssue CitedMedium="Print">
                    <Volume>60</Volume>
                    <Issue>1</Issue>
                    <PubDate>
                        <Year>1997</Year>
                        <Month>Jan</Month>
                    </PubDate>
                </JournalIssue>
                <Title>American journal of human genetics</Title>
                <ISOAbbreviation>Am. J. Hum. Genet.</ISOAbbreviation>
            </Journal>
            <ArticleTitle>mtDNA and Y chromosome-specific polymorphisms in modern Ojibwa: implications about the origin of their gene pool.</ArticleTitle>
            <Pagination>
                <MedlinePgn>241-4</MedlinePgn>
            </Pagination>
            <AuthorList CompleteYN="Y">
                <Author ValidYN="Y">
                    <LastName>Scozzari</LastName>
                    <ForeName>R</ForeName>
                    <Initials>R</Initials>
                </Author>
            </AuthorList>
        <MeshHeadingList>
            <MeshHeading>
                <DescriptorName MajorTopicYN="N">Alleles</DescriptorName>
            </MeshHeading>
            <MeshHeading>
                <DescriptorName MajorTopicYN="Y">Y Chromosome</DescriptorName>
            </MeshHeading>
        </MeshHeadingList>
        <OtherID Source="NLM">PMC1712541</OtherID>
    </MedlineCitation>
</PubmedArticle>

【问题讨论】：

我会使用xml.dom.minidom，它带有 Python 并且工作正常。 lxml 是另一个不错的库，但您必须安装它。

标签： python xml

【解决方案1】：

尝试查看lxml 模块。

要定位标题，您可以将Xpath 与 lxml 一起使用，或者您可以使用 lxml 中的 xml 对象结构来“索引”您到标题元素。

【讨论】：

【解决方案2】：

尝试使用Beautiful soup。我发现这个库非常方便。正如刚才所指出的，BeautifulStoneSoup 专门用于解析 XML。

【讨论】：

具体来说，BeautifulStoneSoup
谢谢大家，我选择 BeautifulSoup 作为我的路线。我发现 B.S.文档比 lxml 更清晰。
在新版本的文档中：不再有BeautifulStoneSoup 类用于解析XML。要解析 XML，您将“xml”作为第二个参数传递给 BeautifulSoup 构造函数。
我还没有阅读新文档。随意编辑我的答案。谢谢

【解决方案3】：

我不确定您为什么希望每个标题都在自己的列表中，您的问题让我相信。

一个列表中的所有标题怎么样？以下示例使用您的示例 XML 的修剪版本，另外我复制了一个 <Article/> 以显示使用 lxml.etree.xpath 为您创建了 <Title/>'s 列表：

>>> import lxml.etree

>>> xml_text = """<PubmedArticle>
  <MedlineCitation Owner="NLM" Status="MEDLINE">
    <PMID Version="1">8981971</PMID>
    <Article PubModel="Print">
      <Journal>
        <ISSN IssnType="Print">0002-9297</ISSN>
        <!-- <JournalIssue ... /> -->
        <Title>American journal of human genetics</Title>
        <ISOAbbreviation>Am. J. Hum. Genet.</ISOAbbreviation>
      </Journal>
      <ArticleTitle>mtDNA and Y chromosome-specific polymorphisms in modern Ojibwa: implications about the origin of their gene pool.</ArticleTitle>
      <!--<Pagination>
          ...
          </MeshHeadingList>-->
      <OtherID Source="NLM">PMC1712541</OtherID>
    </Article>
    <Article PubModel="Print">
      <Journal>
        <ISSN IssnType="Print">9297-0002</ISSN>
        <!-- <JournalIssue ... /> -->
        <Title>American Journal of Pediatrics</Title>
        <ISOAbbreviation>Am. J. Ped.</ISOAbbreviation>
      </Journal>
      <ArticleTitle>Healthy Foo, Healthy Bar</ArticleTitle>
      <!--<Pagination>
          ...
          </MeshHeadingList>-->
      <OtherID Source="NLM">PMC1712541</OtherID>
    </Article>
  </MedlineCitation>
</PubmedArticle>"""

XPath 用于返回 lxml.etree.xpath 转换为 Python 节点对象列表的节点：

>>> xml_obj = lxml.etree.fromstring(xml_text)
>>> for title_obj in xml_obj.xpath('//Article/Journal/Title'):
        print title_obj.text 

American journal of human genetics
American Journal of Pediatrics

编辑 1：现在使用 Python 的 xml.etree.ElementTree

我想用包含的模块展示这个解决方案，以防安装第三方模块是不可能或没有吸引力的。

>>> import xml.etree.ElementTree as ETree
>>> element = ETree.fromstring(xml_text)
>>> xml_obj = ETree.ElementTree(element)
>>> for title_obj in xml_obj.findall('.//Article/Journal/Title'):
    print title_obj.text


American journal of human genetics
American Journal of Pediatrics

它很小，但这个 XPath不与 lxml 示例中的 XPath 相同：开头有一个句点 ('.')。没有句号，我收到了这个警告（使用 Python 2.7.2）：

>>> xml_obj.findall('//Article/Journal/Title')

Warning (from warnings module):
  File "__main__", line 1
FutureWarning: This search is broken in 1.3 and earlier, and will be fixed in a future version.  If you rely on the current behaviour, change it to './/Article/Journal/Title'

【讨论】：

我终于有时间查看所有发布的答案。感谢您的努力！我能够安装 lxml 库没问题，但是我在阅读文档时花了很多时间。当时，我只是无法转过头来。我发现 BeautifulSoup 的文档更容易处理。

【解决方案4】：

试试lxml 和xpath expressions。

一个简短的sn-p

>>> from lxml import etree
>>> xml = """<foo><bar/>baz!</foo>"""
>>> doc = etree.fromstring(xml)
>>> doc.xpath('//foo/text()') #xpath expr
['baz!']
>>>

如果你有一个xml file 比

s = StringIO(xml)
doc = etree.parse(s)

您可以使用Firebug addon 获取xpath expr。

【讨论】：

【解决方案5】：

ElementTree 非常棒，并且带有 Python。

【讨论】：