Python：使用 mini dom 解析 XML

Question

我正在解析一个大小合适的 xml 文件，但遇到了问题。出于某种原因，即使我之前在不同的 xml 文件上做过 完全相同的事情，我也无法提取数据。

这是我的代码的 sn-p：（程序的其余部分，我已经测试过，它们工作正常） 编辑：更改为包含测试 try&except 块

def parseXML():
    file = open(str(options.drugxml),'r')
    data = file.read()
    file.close()
    dom = parseString(data)
    druglist = dom.getElementsByTagName('drug')

    with codecs.open(str(options.csvdata),'w','utf-8') as csvout, open('DrugTargetRel.csv','w') as dtout:
        for entry in druglist:
        count = count + 1
        try:
            drugtype = entry.attributes['type'].value
            print count
        except:
            print count
            print entry
            drugidObj = entry.getElementsByTagName('drugbank-id')[0]
            drugid = drugidObj.childNodes[0].nodeValue
            drugnameObj = entry.getElementsByTagName('name')[0]
            drugname = drugnameObj.childNodes[0].nodeValue

            targetlist = entry.getElementsByTagName('target')
            for target in targetlist:
                targetid = target.attributes['partner'].value
                dtout.write((','.join((drugid,targetid)))+'\n')

            csvout.write((','.join((drugid,drugname,drugtype)))+'\n')

如果您想知道 XML 文件的架构大致是什么样子，这里有一个粗略的可怕的关卡草图：

<drugs>
   <drug type='something' ...>
      <drugbank-id>
      <name>
      ...
      <targets>
         <target partner='something'>

我在这里输入的内容，我需要从 XML 文件中提取并将其粘贴到 csv 文件中（如上面的代码所示），并且该代码以前适用于不同的 xml 文件，不知道为什么它不起作用这个。我在'type'上得到了KeyError，即使每种药物都有一个drugid，我也得到了提取drugid的在线索引错误。我在这里搞砸了什么？

编辑：我提取的东西保证在每种药物中都有。

对于任何关心的人，这里是我正在解析的 XML 文件的链接： http://www.drugbank.ca/system/downloads/current/drugbank.xml.zip

编辑：在实现 try & except 块（见上文）后，我发现： 在架构中，有一些称为“药物相互作用”的部分也有一个称为药物的子字段。像这样：

 <drugs>
       <drug type='something' ...>
          <drugbank-id>
          <name>
          ...
          <targets>
             <target partner='something'>
          <drug-interactions>
             <drug>

我认为我的行 druglist = dom.getElementsByTagName('drug') 也无意中捡起了这些 - 我不知道如何解决这个问题......有什么建议吗？

Answer 1

基本上在解析 xml 时，你不能依赖你知道结构的事实。找出代码中的结构是一个好习惯。

因此，每次访问元素或属性时，请先检查是否有。在您的代码中，它意味着以下内容：

确保药物元素上有一个属性“类型”：

drugtype = entry.attributes['type'].value if entry.attributes.has_key('type') else 'defaulttype'

确保 getElementsByTagName 在访问其元素之前不返回空数组：

drugbank-id = entry.getElementsByTagName('drugbank-id')
drugidObj = drugbank-id[0] if drugbank-id else None

在访问子节点之前，请确保有：

if drugidObj.hasChildNodes:
    drugid = drugidObj.childNodes[0].nodeValue

或者使用 for 循环遍历它们。

当您在 drug 元素上调用 getElementsByTagName 时，它会返回所有元素，包括嵌套元素。要仅获取药物元素，它们是药物元素的直接子元素，您必须使用 childNodes 属性。

Answer 2

我有一种感觉，可能由于内存不足或其他原因发生了一些奇怪的事情，所以我使用迭代器对每种药物重写了解析器并尝试了它并让程序完成而没有引发异常。

基本上我在这里所做的是，我没有将整个 XML 文件加载到内存中，而是解析 XML 文件以查找每个 <drug> 和 </drug> 标记的开头和结尾。然后我每次都用 minidom 解析它。

代码可能有点脆弱，因为我假设每个 <drug> 和 </drug> 对都在自己的行上。希望它的帮助大于它的危害。

#!python
import codecs
from xml.dom import minidom

class DrugBank(object):
    def __init__(self, filename):
        self.fp = open(filename, 'r')

    def __iter__(self):
        return self

    def next(self):
        state = 0

        while True:
            line = self.fp.readline()

            if state == 0:
                if line.strip().startswith('<drug '):
                    lines = [line]
                    state = 1
                    continue

                if line.strip() == '</drugs>':
                    self.fp.close()
                    raise StopIteration()

            if state == 1:
                lines.append(line)
                if line.strip() == '</drug>':
                    return minidom.parseString("".join(lines))

with codecs.open('csvout.csv', 'w', 'utf-8') as csvout, open('dtout.csv', 'w') as dtout:
    db = DrugBank('drugbank.xml')
    for dom in db:
        entry = dom.firstChild
        drugtype = entry.attributes['type'].value
        drugidObj = entry.getElementsByTagName('drugbank-id')[0]
        drugid = drugidObj.childNodes[0].nodeValue
        drugnameObj = entry.getElementsByTagName('name')[0]
        drugname = drugnameObj.childNodes[0].nodeValue

        targetlist = entry.getElementsByTagName('target')
        for target in targetlist:
            targetid = target.attributes['partner'].value
            dtout.write((','.join((drugid,targetid)))+'\n')

        csvout.write((','.join((drugid,drugname,drugtype)))+'\n')

这里有一篇有趣的文章，可能会对您有所帮助： http://www.ibm.com/developerworks/xml/library/x-hiperfparse/