Python：解析 XML 自动添加所有键/值对

Question

我搜索了很久，尝试了很多！但我无法为这个完全简单的场景敞开心扉。我需要说我是一个 python 新手，但是一个非常好的 bash 编码器；o) 我已经用 python 编写了一些代码，但也许还有很多我需要学习的东西，所以不要对我太苛刻；o) 我'愿意学习，我阅读了 python 文档和许多示例，并自己尝试了很多，但现在我正处于我在黑暗中挑选的地步..

我解析作为 XML 提供的内容。它大约 20-50 MB 大。 我的 XML 示例：

<MAIN>
  <NOSUBEL>abcd</NOSUBEL>
  <NOSUBEL2>adasdasa</NOSUBEL2>
  <MULTISUB>
    <WHATEVER>
      <ANOTHERSUBEL>
        <ANOTHERONE>
          (how many levels can not be said / can change)
        </ANOTHERONE>
      </ANOTHERSUBEL>
     </WHATEVER>
   </MULTISUB>..
   <SUBEL2>
     <FOO>abcdefg</FOO>
   </SUBEL2>
   <NOSUBEL3>abc</NOSUBEL3>
   ... 
   and so on 
</MAIN>

这是解析它的主要部分（如果您需要更多详细信息，请询问）：

from lxml import etree
resp = my.request(some call args)
xml = etree.XML(resp)

for element in xml.findall(".//MAIN"):

   # this works fine but is not generic enough:   
   my_dict = OrderedDict()
   for only1sub in element.iter(tag="SUBEL2"):
        for i in only1sub:
            my_dict[i.tag] = i.text

这与 1 个子元素一起工作得很好，但这意味着我需要知道树中哪个有子元素，哪个没有。这可能会在未来发生变化或被添加。 另一个问题是 MULTISUB。使用上面的代码，我只能解析到第一个标签。

目标

我想要实现的目标是 - 充其量：

A) 有一个函数/代码 sn-p 能够解析整个 XML 内容，如果有一个子元素（例如，使用“if len(x)”或其他）然后解析到下一个级别，直到你到达没有子元素/树的级别。然后继续B）

B) 对于每个找到的没有子元素的 XML 标记，我想用标记名称和标记文本更新字典。

C) 我想对所有可用元素执行此操作 - 标签和直接子标签名称（例如“NOSUBEL2”或“MULTISUB”）将不会（经常）更改，因此它将是可以将它们用作解析的起点。

到目前为止，我尝试的是链接几个循环，例如 for 和 while 以及 for again 等等，但没有一个是完全成功的。我还潜入了 python 生成器，因为我认为我可以用 next() 函数做点什么，但什么也做不了。但同样，我可能不知道正确使用它们，所以我很高兴每个答案..

最后，我相信我需要的东西是如此简单。我只想从标签名称和标签内容中获得键值对，这不是那么难吗？任何帮助都非常感谢..

你能帮我实现目标吗？

（感谢您阅读到这里！）

Answer 1

您正在寻找的是recursion - 一种在该过程内部运行某些过程的技术，但用于原始问题的子问题。在这种情况下：或者，对于某个元素的每个子元素运行此过程（如果有子元素）或使用元素的标签名称和文本更新您的字典。

我假设最后你有兴趣让字典 (OrderedDict) 包含整个元素树的叶子的“平面表示”（没有子元素的节点）标签名称/文本值，在你的情况下，打印出来，看起来像这样：

OrderedDict([('NOSUBEL', 'abcd'), ('NOSUBEL2', 'adasdasa'), ('ANOTHERONE', '(how many levels can not be said / can change)'), ('FOO', 'abcdefg'), ('NOSUBEL3', 'abc')])

通常，您会定义一个函数，该函数将使用您的部分数据（在本例中：子元素，如果有的话）调用自身或执行某些操作（在本例中：更新某些字典实例）。

由于我不知道my.request 调用背后的详细信息，我已根据您提供的内容，通过从包含有效 XML 的字符串中解析来替换它。只需替换构造tree 对象即可。

resp = """<MAIN>
    <NOSUBEL>abcd</NOSUBEL>
    <NOSUBEL2>adasdasa</NOSUBEL2>
    <MULTISUB>
        <WHATEVER>
            <ANOTHERSUBEL>
                <ANOTHERONE>(how many levels can not be said / can change)</ANOTHERONE>
            </ANOTHERSUBEL>
        </WHATEVER>
    </MULTISUB>
    <SUBEL2>
        <FOO>abcdefg</FOO>
    </SUBEL2>
    <NOSUBEL3>abc</NOSUBEL3>
</MAIN>"""


from collections import OrderedDict
from lxml import etree


def update_dict(element, my_dict):
    # lxml defines "length" of the element as number of its children.
    if len(element):  # If "length" is other than 0.
        for subelement in element:
            # That's where the recursion happens. We're calling the same
            # function for a subelement of the element.
            update_dict(subelement, my_dict)

    else:  # Otherwise, subtree is a leaf.
        my_dict[element.tag] = element.text


if __name__ == "__main__":
    # Change/amend it with your my.request call.
    tree = etree.XML(resp)  # That's a <MAIN> element, too.

    my_dict = OrderedDict()
    # That's the first invocation of the procedure. We're passing entire
    # tree and instance of dictionary.
    update_dict(tree, my_dict)

    print(my_dict)  # Just to see that dictionarty was filled with values.

如您所见，我没有在代码中使用任何标记名称（当然，XML 源除外）。

我还添加了来自 collections 的缺失导入。