Python XML解析并计算字符串的出现然后输出到Excel

Question

所以这是我的难题！

我有 100 多个 XML 文件需要解析并通过标签名称（或正则表达式）查找字符串。

一旦我找到该字符串/标签值，我需要计算它出现的次数（或找到该字符串的最大值。）

例子：

<content styleCode="Bold">Value 1</content>
<content styleCode="Bold">Value 2</content>
<content styleCode="Bold">Value 3</content>

<content styleCode="Bold">Another Value 1</content>
<content styleCode="Bold">Another Value 2</content>
<content styleCode="Bold">Another Value 3</content>
<content styleCode="Bold">Another Value 4</content>

所以基本上我想解析 XML，找到上面列出的标签并输出到 Excel 电子表格中找到的最高值。电子表格已经有标题，所以只有数值输出到 Excel 文件。

所以输出将在 Excel 中：

Value    Another Value
3               4

每个文件都会输出到另一行。

Answer 1

我不确定您的 XML 文件是如何命名的。 对于简单的情况，假设它们以这种模式命名：

file1.xml, file2.xml, ... 它们与您的 python 脚本存储在同一个文件夹中。

那么你可以使用下面的代码来完成这项工作：

import xml.etree.cElementTree as ElementTree
import re
from xlrd import open_workbook
from xlwt import Workbook
from xlutils.copy import copy

def process():
    for i in xrange(1, 100): #loop from file1.xml to file99.xml
        resultDict = {}
        xml = ElementTree.parse('file%d.xml' %i)
        root = xml.getroot()
        for child in root:
            value = re.search(r'\d+', child.text).group()
            key = child.text[:-(1+len(value))]
            try:
                if value > resultDict[key]:
                    resultDict[key] = value
            except KeyError:
                resultDict[key] = value

        rb = open_workbook("names.xls")
        wb = copy(rb)
        s = wb.get_sheet(0)
        for index, value in enumerate(resultDict.values()):
            s.write(i, index, value)
        wb.save('names.xls')

if __name__ == '__main__':
    process()

Answer 2

所以问题有两个主要部分。 (1) 从每个文件中找出最大值对，(2) 将它们写在 Excel 工作簿中。我一直提倡的一件事是编写可重用的代码。在这里，您必须将所有 xml 文件放在一个文件夹中，然后简单地执行 main 方法并获取结果。

现在有几个选项可以写入 excel。最简单的方法是创建一个制表符或逗号分隔文件 (CSV) 并手动将其导入到 excel 中。 XMWT 是一个标准库。 OpenPyxl 是另一个库，它使创建 excel 文件的代码行数变得更加简单和小。

确保在文件开头导入所需的库和模块。

import re
import os
import openpyxl

在读取 XML 文件时，我们使用正则表达式来提取您想要的值。

regexPatternValue = ">Value\s+(\d+)</content>"
regexPatternAnotherValue = ">Another Value\s+(\d+)</content>"

为了进一步模块化，创建一个方法来解析给定 XML 文件中的每一行，查找正则表达式模式，提取所有值并返回其中的最大值。在下面的方法中，我返回一个包含两个元素 (Value, Another) 的元组，它们是在该文件中看到的每种类型的最大数量。

def get_values(filepath):
    values = []
    another = []
    for line in open(filepath).readlines():
        matchValue = re.search(regexPatternValue, line)
        matchAnother = re.search(regexPatternAnotherValue, line)
        if matchValue:
            values.append(int(matchValue.group(1)))
        if matchAnother:
            another.append(int(matchAnother.group(1)))
    # Now we want to calculate highest number in both the lists.
    try:
        maxVal = max(values)
    except:
        maxVal = '' # This case will handle if there are NO values at all
    try:
        maxAnother = max(another)
    except:
        maxAnother = ''
    return maxVal, maxAnother

现在将您的 XML 文件保存在一个文件夹中，对它们进行迭代，然后提取每个中的正则表达式模式。在以下代码中，我将这些提取的值附加到名为 writable_lines 的列表中。最后在解析完所有文件后，创建一个工作簿并以格式添加提取的值。

def process_folder(folder, output_xls_path):
    files = [folder+'/'+f for f in os.listdir(folder) if ".txt" in f]
    writable_lines = []
    writable_lines.append(("Value","Another Value")) # Header in the excel

    for file in files:
        values = get_values(file)
        writable_lines.append((str(values[0]),str(values[1])))

    wb = openpyxl.Workbook()
    sheet = wb.active

    for i in range(len(writable_lines)):
        sheet['A' + str(i+1)].value = writable_lines[i][0]
        sheet['B' + str(i+1)].value = writable_lines[i][1]

    wb.save(output_xls_path)

在较低的 for 循环中，我们指示 openpyxl 将值写入指定的单元格中，例如典型的 excel 格式 sheet["A3"]、sheet["B3"] 等。

准备好了...

if __name__ == '__main__':
    process_folder("xmls", "try.xls")