从 XML 中提取的 Python 保持相同的模式答案

【问题标题】：Python extract from XML keep the same schema从 XML 中提取的 Python 保持相同的模式
【发布时间】：2018-01-05 13:23:10
【问题描述】：

我有一个具有以下架构的 XML：

<?xml version="1.0" encoding="utf-8" ?>
<ROOT>
<facturic id_user="18446195"><artfacturic/></facturic>
<facturic id_user="18446195"><artfacturic/></facturic>
<facturic id_user="34259554"><artfacturic/></facturic>
</ROOT>

它们比 id_user 有更多的属性，但只有一个是相关的，因为我需要将 xml 文件拆分为具有重复 ID 的单独文件。

我设法使用下面的代码找到了重复项：

import os
from xml.etree import ElementTree
dom = ElementTree.parse(fullpath)
findNode = 'facturic'
findAttr = 'id_user'
childNodes = dom.findall(findNode)
userIdDict = dict()     #student={'name':'john','age':23}
duplicateUserId = dict()

#GET UNIQUE USER ID AND COUNT
for c in childNodes:
    userId = c.attrib.get(findAttr)  #gets attributes
    #print(nrFact)

    if userId not in userIdDict:
        userIdDict[userId] = 1
    else:
        userIdDict[userId] = userIdDict[userId] + 1

# print(userIdDict)
for userId in userIdDict:
    userIdCount = userIdDict[userId]
    if userIdCount > 1:
        duplicateUserId[userId]=userIdCount

你们能给我一个想法，如何创建新的 xml 文件，该文件只包含具有重复项的节点，但使用与初始文件相同的模式？它应该类似于为每个重复节点创建新的 xml 文件，或者理想情况下，假设重复用户 ID 的最大数量为 4，只创建 4 个文件，但每个文件应该只包含具有所有其他初始属性的唯一 ID。

【问题讨论】：

标签： python xml python-3.x split

【解决方案1】：

我会这样做：使用defaultdict(list) 来收集每个id_user 值的节点。然后，对生成的字典进行后处理，将副本写入单独的文件。使用lxml.etree：

from collections import defaultdict
from lxml import etree

tree = etree.parse("input.xml")

facturics = defaultdict(list)

for node in tree.xpath(".//facturic"):
    facturics[node.attrib["id_user"]].append(node)

for user_id, nodes in facturics.items():
    if len(nodes) > 1:  # save duplicates
        with open("{user_id}.xml".format(user_id=user_id), "w") as output_file:
            root = etree.Element("ROOT")
            for node in nodes:
                root.append(node)
            etree.ElementTree(root).write(output_file, pretty_print=True)

运行这段代码后，会在当前目录下生成一个名为18446195.xml的新文件，内容如下：

<ROOT>
    <facturic id_user="18446195"><artfacturic/></facturic>
    <facturic id_user="18446195"><artfacturic/></facturic>
</ROOT>

【讨论】：

【解决方案2】：

考虑XSLT，这是一种专用语言，旨在转换XML，例如保留具有重复属性的节点。 Python 的第三方模块lxml 可以运行 XSLT 1.0 脚本。美妙之处在于 XSLT 可以移植到其他语言/软件，并且不需要 Python 来运行它！

具体来说，下面使用Muenchenian Grouping 为每个不同的@id_user 使用xsl:key 索引文档。然后模板匹配只检索计数大于 1 的那些。

XSLT （另存为.xsl文件，特殊的.xml文件）

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  <xsl:output indent="yes"/>
  <xsl:strip-space elements="*"/>

  <xsl:key name="idkey" match="facturic" use="@id_user" />

  <xsl:template match="/ROOT">
    <xsl:copy>
      <xsl:apply-templates select="facturic"/>
    </xsl:copy>
  </xsl:template>

  <xsl:template match="facturic[count(key('idkey', @id_user)) > 1]">
    <xsl:copy>
        <xsl:copy-of select="*|@*"/>    
    </xsl:copy>
  </xsl:template>

</xsl:stylesheet>

Python （没有for 循环或if 逻辑）

import lxml.etree as et

# LOAD XML AND XSL FILES
doc = et.parse('Input.xml')
xsl = et.parse('XSLTScript.xsl')

# INITIALIZE TRANSFORMER AND RUN
transform = et.XSLT(xsl)    
result = transform(doc)

# PRINT TO CONSOLE
print(result)

# SAVE TO FILE
with open('Output.xml', 'wb') as f:
   f.write(result)

输出

<?xml version="1.0"?>
<ROOT>
  <facturic id_user="18446195">
    <artfacturic/>
  </facturic>
  <facturic id_user="18446195">
    <artfacturic/>
  </facturic>
</ROOT>

【讨论】：