提取 XML 属性

Question

我有一个包含数千条记录的 XML 文件，格式如下：

<custs>
    <record cust_ID="B123456@Y1996" l_name="Jungle" f_name="George" m_name="OfThe" city="Fairbanks" zip="00010" current="1" />
    <record cust_ID="Q975697@Z2000" l_name="Freely" f_name="I" m_name="P" city="Yellow River" zip="03010" current="1" />
    <record cust_ID="M7803@J2323" l_name="Jungle" f_name="Jim" m_name="" city="Fallen Arches" zip="07008" current="0" />
</custs>
    #   (I know it's not normalized.  This is just sample data)

如何将其转换为 CSV 或制表符分隔的文件？我知道我可以使用 re.compile() 语句在 Python 中对其进行硬编码，但是在 diff XML 文件布局中必须有一些更简单、更便携的东西。

我在这里找到了几个关于属性的主题（Beautifulsoup unable to extract data using attrs=class、Extracting an attribute value with beautifulsoup），它们几乎让我明白了：

#  Python 3.30
#
from bs4 import BeautifulSoup
import fileinput

Input = open("C:/Python/XML Tut/MinGrp.xml", encoding = "utf-8", errors = "backslashreplace")
OutFile = open('C:/Python/XML Tut/MinGrp_Out.ttxt', 'w', encoding = "utf-8", errors = "backslashreplace")

soup = BeautifulSoup(Input, features="xml")

results = soup.findAll('custs', attrs={})

# output = results   [0]#[0]

for each_tag in results:
    cust_attrb_value = results[0]
#       print (cust_attrb_value)
    OutFile.write(cust_attrb_value)

OutFile.close()

下一步（最后？）步骤是什么？

Answer 1

如果此数据格式正确（例如，使用规范 XML），则应考虑使用 lxml 而不是 BeautifulSoup。使用lxml，您可以读取文件，然后可以在其上应用 DOM 逻辑，包括 XPath 查询。通过您的 XPath 查询，您可以获取代表您感兴趣的每个节点的 lxml 对象，从中提取您需要的数据，并使用类似 @987654322 的方式将它们重写为您选择的任意格式@模块..

具体来说，在 lxml 文档中，查看这些教程：

• Parsing from Strings and Files
• The Element Class: Using XPath to Find Text

Answer 2

我（也）不会为此使用 BeautifulSoup，虽然我喜欢 lxml，但这是一个额外的安装，如果你不想打扰，这很简单，可以使用标准的 lib ElementTree 模块。

类似：

import xml.etree.ElementTree as ET
import sys
tree=ET.parse( 'test.xml' )
root=tree.getroot()
rs=root.getchildren()
keys = rs[0].attrib.keys()
for a in keys: sys.stdout.write(a); sys.stdout.write('\t')
sys.stdout.write('\n')
for r in rs:
    assert keys == r.attrib.keys()
    for k in keys: sys.stdout.write( r.attrib[k]); sys.stdout.write('\t')
    sys.stdout.write('\n')

将从 python-3 生成：

zip m_name  current city    cust_ID l_name  f_name  
00010   OfThe   1   Fairbanks   B123456@Y1996   Jungle  George  
03010   P   1   Yellow River    Q975697@Z2000   Freely  I   
07008       0   Fallen Arches   M7803@J2323 Jungle  Jim 

请注意，在 Python-2.7 中，属性的顺序会有所不同。 如果您希望它们以不同的特定顺序输出，您应该排序或 订购列表“钥匙”。

断言正在检查所有行是否具有相同的属性。 如果您确实在元素中缺少或不同的属性， 那么你必须删除它并添加一些代码来处理差异 并为缺失值提供默认值。 （在您的样本数据中，您有一个 空值 ( m_name="" )，而不是缺失值。你可能想检查 这个输出的消费者可以处理这种情况，或者添加一些 对这种情况进行更特殊的处理。