Python XML 解析器重命名命名空间变量

Question

我一直在使用 xml.etree.ElementTree 来解析 Word XML 文档。进行更改后，我使用tree.write('test.xml') 将树写入文件。保存 XML 后，Word 无法读取该文件。查看 XML，似乎新 XML 已重命名所有名称空间。

例如 w:t 变成 ns2:t

import xml.etree.ElementTree as ET
import re

tree = ET.parse('FL0809spec2.xml')
root = tree.getroot()

l = [' ',' ']
prev = None
count = 0

for t in root.iter('{http://schemas.openxmlformats.org/wordprocessingml/2006/main}t'):
    l[0] = l[1]
    l[1] = t.text
    if(l[0] <> '' and l[1] <> '' and re.search(r'[a-zA-Z]', l[0][len(l[0]) - 1]) and re.search(r'[a-z]', l[1][0])):
        words = re.findall(r'(\b\w+\b)(\W+)',l[1])
        if(len(words) > 0):
            prev.text = prev.text + words[0][0]
            t.text = t.text[len(words[0][0]):]
            count += 1
    prev = t

tree.write('FL0809spec2Improved.xml')

Answer 1

看来：

a) Python 内置的 xml.etree.ElementTree 不是幂等的（透明的）——如果你读取一个 XML 文件然后立即写出 xml，输出与输入不同。例如，名称空间前缀已更改。初始的 ?xml 和 ?mso 标记也被删除。可能还有其他差异。删除两个初始标记似乎无关紧要，因此 Word 不喜欢 XML 的其余部分。

和 b) MS Word 期望命名空间使用与其生成的 xml 文件完全相同的前缀编写 - IMO 这是非常糟糕的（如果不是令人震惊的）风格，因为在纯 XML 术语中，它是命名空间 URI 定义命名空间，而不是用于引用它的前缀，但是嘿，这似乎是它的工作方式。

只要你不介意安装lxml，解决你的问题就很容易了。令人高兴的是，lxml.etree.ElementTree 似乎比 xml.etree.ElementTree 在写入它已读取的内容时不更改任何内容更加坚定，至少它保留了读入的前缀，并且前两个标签也被写入。

所以要使用lxml：

用 pip 安装 xlmx：

pip install lxml

将代码的第一行更改为：

import xml.etree.ElementTree as ET

到：

from lxml import etree as ET

然后（在我对您的代码的测试中，删除了读取和写入 xml 之间的变化位）输出文档可以在 MS Word 中打开而不会出现错误:-)