使用 lxml Python 在非标准 XML 中解析 XPath

Question

我正在尝试创建一个包含来自 Google 专利的所有专利信息的数据库。到目前为止，我的大部分工作都是在 Python to parse non-standard XML file 中使用来自 MattH 的这个非常好的答案。我的 Python 太大而无法显示，所以它链接了here。

源文件are here： 一堆 xml 文件一起附加到一个具有多个标题的文件中。问题是在解析这个具有多个 xml 和 dtd 声明的不寻常的“非标准”XML 文件时尝试使用正确的 xpath 表达式。我一直在尝试使用"-".join(doc.xpath 在解析出所有内容时将其绑定在一起，但输出会为<document-id> 和<classification-national> 创建由连字符分隔的空格，如下所示

<references-cited> <citation> 
<patcit num="00001"> <document-id>
<country>US</country> 
<doc-number>534632</doc-number> 
<kind>A</kind>
<name>Coleman</name> 
<date>18950200</date> 
</document-id> </patcit>
<category>cited by examiner</category>
<classification-national><country>US</country>
<main-classification>249127</main-classification></classification-national>
</citation>

注意并非所有子代都存在于每个 <citation> 中，有时它们根本不存在。

如何在尝试在 <citation> 下的多个条目的每个数据条目之间放置连字符时解析此 xpath？

Answer 1

从此 XML (references.xml)，

<references-cited> 
  <citation> 
    <patcit num="00001"> 
      <document-id>
        <country>US</country> 
        <doc-number>534632</doc-number> 
        <kind>A</kind>
        <name>Coleman</name> 
        <date>18950200</date> 
      </document-id> 
    </patcit>
    <category>cited by examiner</category>
    <classification-national>
      <country>US</country>
      <main-classification>249127</main-classification>
    </classification-national>
  </citation>

  <citation>
    <patcit num="00002">
      <document-id>
        <country>US</country>
        <doc-number>D28957</doc-number>
        <kind>S</kind>
        <name>Simon</name>
        <date>18980600</date>
      </document-id>
    </patcit>
    <category>cited by other</category>
  </citation>
</references-cited>

您可以获取<citation>的每个后代的文本内容，其内容如下：

from lxml import etree

doc = etree.parse("references.xml")
cits = doc.xpath('/references-cited/citation')

for c in cits:
    descs = c.xpath('.//*')
    for d in descs:
        if d.text and d.text.strip():
            print "%s: %s"  %(d.tag, d.text)
    print

输出：

country: US
doc-number: 534632
kind: A
name: Coleman
date: 18950200
category: cited by examiner
country: US
main-classification: 249127

country: US
doc-number: D28957
kind: S
name: Simon
date: 18980600
category: cited by other

这种变化：

import sys
from lxml import etree

doc = etree.parse("references.xml")
cits = doc.xpath('/references-cited/citation')

for c in cits:
    descs = c.xpath('.//*')
    for d in descs:
        if d.text and d.text.strip():
            sys.stdout.write("-%s"  %(d.text))
    print

结果如下：

-US-534632-A-Coleman-18950200-cited by examiner-US-249127
-US-D28957-S-Simon-18980600-cited by other