使用 BeautifulSoup 将 XML 解析为字典答案

【问题标题】：Using BeautifulSoup to Parse XML to a Dictionary使用 BeautifulSoup 将 XML 解析为字典
【发布时间】：2014-11-11 18:52:58
【问题描述】：

我有一段如下所示的 XML：

 <ns:Vehicle>
  <ns:Model>AVALON</ns:Model>
  <ns:ModelYear>1998</ns:ModelYear>
  <ns:MakeString>TY</ns:MakeString>
  <ns:VehicleID>VIN NUMBER GOES HERE</ns:VehicleID>
 </ns:Vehicle>

我有以下代码将车辆元素变成字典：

xml_file = open('6046179.xml')
soup = BeautifulSoup(xml_file)

# Vehicle elements
el_model = soup.find('ns:model').text
el_model_year = soup.find('ns:modelyear').text
el_make_string = soup.find('ns:makestring').text
el_vehicle_id = soup.find('ns:vehicleid').text

vehicle = {'model': '{}'.format(el_model),
           'model_year': '{}'.format(el_model_year),
           'make_string': '{}'.format(el_make_string),
           'vehicle_id': '{}'.format(el_vehicle_id)}

print vehicle

我只是想知道是否有更好的方法来做到这一点，我不介意遍历 XML 中的其余元素并像这样单独定义它们，我只是想知道是否有更清洁的方法来做到这一点。

【问题讨论】：

标签： xml python-2.7 beautifulsoup

【解决方案1】：

可能会更干净一些，但本质上没有什么不同：

tags = ['model', 'modelyear', 'makestring', 'vehicleid']
vehicle = {}
for tag in tags:
    vehicle[tag] = '{}'.format(soup.find('ns:' + tag).text)

还有 xmltodict 可能值得一看。

【讨论】：

我尝试了 xmltodict，而我正在使用的 xml 是一大堆嵌套的 OrderedDict。谢谢你的解决方案，比我的干净得多。

【解决方案2】：

如果您想要所有 <ns:Vehicle> 元素内的子节点，则无需显式指定它们 - 只需遍历所有子元素并将它们放入字典中即可。

from bs4 import BeautifulSoup

soup = BeautifulSoup('''
 <ns:Vehicle>
  <ns:Model>AVALON</ns:Model>
  <ns:ModelYear>1998</ns:ModelYear>
  <ns:MakeString>TY</ns:MakeString>
  <ns:VehicleID>VIN NUMBER GOES HERE</ns:VehicleID>
 </ns:Vehicle>
 ''')

# loop if you have multiple vehicles
# Note that BS normalizes all tag names to lowercase -> we use 'ns:vehicle' rather 'ns:Vehicle'
for el_vehicle in soup.find_all('ns:vehicle'): 
    vehicle = {child.name: child.text for child in el_vehicle.findChildren()}
    # stick `vehicle` in a list or do some other processing

这与您的输出不完全匹配，因为它不会从驼峰式转换为下划线分隔的名称（例如，ModelYear 到 model_year），并且它也不会从元素名称中剥离命名空间。如果您需要，在child.name 周围包含一个包装器以相应地更改名称应该不会太难。

【讨论】：

【解决方案3】：

BeautifulSoup 并不真正适用于 XML - 它是杂乱的 HTML 的理想选择，这会破坏正确的解析器。

你最好使用etree 接口（也许通过非常快的lxml），无论如何，IIRC 是 BS 默认使用的。然后你得到根元素并在几行代码中遍历它的所有子元素，例如：

#!/usr/bin/env python

import xml.etree.ElementTree as ET
import re

# Note the dummy namespace that must / should have been there...
xml = '''
 <ns:Vehicle xmlns:ns="http://foo.bar">
  <ns:Model>AVALON</ns:Model>
  <ns:ModelYear>1998</ns:ModelYear>
  <ns:MakeString>TY</ns:MakeString>
  <ns:VehicleID>VIN NUMBER GOES HERE</ns:VehicleID>
 </ns:Vehicle>'''

tree = ET.fromstring(xml)
vehicle = {re.sub(r'{.*}', '', node.tag): node.text for node in tree}

【讨论】：