使用 Python lxml 解析 XML

Question

我正在尝试使用 python 库 lxml 解析 XML，并希望结果输出位于数据框中。我对 python 和解析比较陌生，所以在我概述问题时请多多包涵。我尝试解析的原始 xml 可用 here

我有兴趣在“invstOrSec”中找到一些相关标签。下面是“invstOrSec”的一个实例的快照，其中“curCd”标签附带的文本是美元。

<?xml version="1.0" encoding="UTF-8"?>
    <invstOrSec>
        <name>NIPPON LIFE INSURANCE</name>
        <lei>549300Y0HHMFW3EVWY08</lei>
        <curCd>USD</curCd>
    <invstOrSec>

这个比较简单，我目前的做法是先在字典中定义相关标签，然后在循环中粗化成数据框。

    import pandas as pd
    from lxml import etree

    # Declare directory
    os.chdir('C:/Users/A1610222/Desktop/Form NPORT/pkg/sec-edgar-filings/0001548717/NPORT-P/0001752724- 
    20-040624')

    # Set root
    xmlfile = "filing-details.xml"
    tree = etree.parse(xmlfile)
    root = tree.getroot()

    # Remove namespace prefixes
    for elem in root.getiterator():
        elem.tag = etree.QName(elem).localname
   
    # Remove unused namespace declarations
    etree.cleanup_namespaces(root)

    # Set path
    invstOrSec = root.xpath('//invstOrSec')

    # Define tags to extract
    vars = {'invstOrSec' : {'name', 'lei', 'curCd'}

    # Extract holdings data
    sec_info =  pd.DataFrame()
    temp = pd.DataFrame()

    for one in invstOrSec:
        for two in one:
            if two.tag in vars['invstOrSec']:
                temp[two.tag] = [two.text]
        sec_info = sec_info.append(temp)  

这是 sec_info

的前三行

name	lei	curCd
NIPPON LIFE INSURANCE	549300Y0HHMFW3EVWY08	USD
Lloyds Banking Group PLC	549300PPXHEU2JF0AM85	USD
Enbridge Inc	98TPTUM4IVMFCZBCUR27	USD

但是，当货币不是美元时，xml 的结构略有不同。请参见下面的示例。

<?xml version="1.0" encoding="UTF-8"?>
    <invstOrSec>
        <name>ACHMEA BV</name>
        <lei>7245007QUMI1FHIQV531</lei>
        <currencyConditional curCd="EUR" exchangeRt="0.89150400"/>
    <invstOrSec>

这一次 curCd 被替换为不同的标签 currencyConditional 并且它包含与文本相反的属性。我很难解释这些情况，同时保持我的代码尽可能通用。我希望我已经设法说明了这个问题。再次，如果这太初级，请原谅我。任何帮助将不胜感激。

Answer 1

这是您不应该尝试重新发明轮子的一种情况；使用其他人开发的工具...

import pandas as pd
import pandas_read_xml as pdx

url = 'https://www.sec.gov/Archives/edgar/data/1548717/000175272420040624/primary_doc.xml'

df = pdx.read_xml(url,['edgarSubmission', 'formData', 'invstOrSecs','invstOrSec'])

#because of the non-US currency column, you have to apply one more contortion:
df['currencyConditional'] = df['currencyConditional'].apply(lambda x: x.get('@curCd') if not isinstance(x,float) else "NA" )
df[['name','lei','curCd','currencyConditional']]

输出（显然是部分输出） - 注意最后一行：

168     BNP PARIBAS     R0MUWSFPU8MPRO8K5P83    USD     NA
169     Societe Generale    O2RNE8IBXP4R0TD8PU41    USD     NA
170     BARCLAYS PLC    213800LBQA1Y9L22JB70    NaN     GBP