使用 Python 和 minidom 进行 XML 解析

Question

我正在使用 Python (minidom) 解析一个 XML 文件，该文件打印出类似这样的层次结构（此处使用缩进来显示重要的层次关系）：

My Document
Overview
    Basic Features
    About This Software
        Platforms Supported

相反，程序在节点上迭代多次并生成以下打印重复节点。 （查看每次迭代的节点列表，很明显为什么会这样做，但我似乎无法找到获取我正在寻找的节点列表的方法。）

My Document
Overview
Basic Features
About This Software
Platforms Supported
Basic Features
About This Software
Platforms Supported
Platforms Supported

这里是 XML 源文件：

<?xml version="1.0" encoding="UTF-8"?>
<DOCMAP>
    <Topic Target="ALL">
        <Title>My Document</Title>
    </Topic>
    <Topic Target="ALL">
        <Title>Overview</Title>
        <Topic Target="ALL">
            <Title>Basic Features</Title>
        </Topic>
        <Topic Target="ALL">
            <Title>About This Software</Title>
            <Topic Target="ALL">
                <Title>Platforms Supported</Title>
            </Topic>
        </Topic>
    </Topic>
</DOCMAP>

这是 Python 程序：

import xml.dom.minidom
from xml.dom.minidom import Node

dom = xml.dom.minidom.parse("test.xml")
Topic=dom.getElementsByTagName('Topic')
i = 0
for node in Topic:
    alist=node.getElementsByTagName('Title')
    for a in alist:
        Title= a.firstChild.data
        print Title

我可以通过不嵌套“主题”元素来解决问题，方法是将较低级别的主题名称更改为“子主题1”和“子主题2”之类的名称。但是，我想利用内置的 XML 层次结构而不需要不同的元素名称；看来我应该能够嵌套“主题”元素，并且应该有某种方法可以知道我当前正在查看的“主题”级别。

我尝试了许多不同的 XPath 函数，但都没有成功。

Answer 1

getElementsByTagName 是递归的，您将获得 all 具有匹配 tagName 的后代。因为您的主题包含其他也有标题的主题，所以调用将多次获取较低的标题。

如果您只想查询所有匹配的直接子节点，并且没有可用的 XPath，您可以编写一个简单的过滤器，例如：

def getChildrenByTagName(node, tagName):
    for child in node.childNodes:
        if child.nodeType==child.ELEMENT_NODE and (tagName=='*' or child.tagName==tagName):
            yield child

for topic in document.getElementsByTagName('Topic'):
    title= list(getChildrenByTagName('Title'))[0]         # or just get(...).next()
    print title.firstChild.data

Answer 2

以下作品：

import xml.dom.minidom
from xml.dom.minidom import Node

dom = xml.dom.minidom.parse("docmap.xml")

def getChildrenByTitle(node):
    for child in node.childNodes:
        if child.localName=='Title':
            yield child

Topic=dom.getElementsByTagName('Topic')
for node in Topic:
    alist=getChildrenByTitle(node)
    for a in alist:
        Title= a.childNodes[0].nodeValue
        print Title

Answer 3

我认为这会有所帮助

import os
import sys
import subprocess
import base64,xml.dom.minidom
from xml.dom.minidom import Node
f = open("file.xml",'r')
data = f.read()
i = 0
doc = xml.dom.minidom.parseString(data)
for topic in doc.getElementsByTagName('Topic'):
   title= doc.getElementsByTagName('Title')[i].firstChild.nodeValue
   print title
   i +=1

输出：

My Document
Overview
Basic Features
About This Software
Platforms Supported

Answer 4

您可以使用以下生成器遍历列表并获取具有缩进级别的标题：

def f(elem, level=-1):
    if elem.nodeName == "Title":
        yield elem.childNodes[0].nodeValue, level
    elif elem.nodeType == elem.ELEMENT_NODE:
        for child in elem.childNodes:
            for e, l in f(child, level + 1):
                yield e, l

如果你用你的文件测试它：

import xml.dom.minidom as minidom
doc = minidom.parse("test.xml")
list(f(doc))

你会得到一个包含以下元组的列表：

(u'My Document', 1), 
(u'Overview', 1), 
(u'Basic Features', 2), 
(u'About This Software', 2), 
(u'Platforms Supported', 3)

当然，微调只是一个基本的想法。如果您只想在开头使用空格，则可以直接在生成器中对其进行编码，尽管在级别上您具有更大的灵活性。您还可以自动检测第一个级别（这里将级别初始化为 -1 只是一项糟糕的工作......）。

Answer 5

递归函数：

import xml.dom.minidom

def traverseTree(document, depth=0):
  tag = document.tagName
  for child in document.childNodes:
    if child.nodeType == child.TEXT_NODE:
      if document.tagName == 'Title':
        print depth*'    ', child.data
    if child.nodeType == xml.dom.Node.ELEMENT_NODE:
      traverseTree(child, depth+1)

filename = 'sample.xml'
dom = xml.dom.minidom.parse(filename)
traverseTree(dom.documentElement)

你的 xml：

<?xml version="1.0" encoding="UTF-8"?>
<DOCMAP>
    <Topic Target="ALL">
        <Title>My Document</Title>
    </Topic>
    <Topic Target="ALL">
        <Title>Overview</Title>
        <Topic Target="ALL">
            <Title>Basic Features</Title>
        </Topic>
        <Topic Target="ALL">
            <Title>About This Software</Title>
            <Topic Target="ALL">
                <Title>Platforms Supported</Title>
            </Topic>
        </Topic>
    </Topic>
</DOCMAP>

你想要的输出：

 $ python parse_sample.py 
      My Document
      Overview
          Basic Features
          About This Software
              Platforms Supported