在 lxml 中查找具有未知名称空间的元素

Question

我有一个包含多个级别的 XML。每个级别都可以附加命名空间。我想find 一个我知道其名称但不知道其名称空间的特定元素。例如：

my_file.xml

<?xml version="1.0" encoding="UTF-8"?>
<data xmlns="aaa:bbb:ccc:ddd:eee">
  <country name="Liechtenstein" xmlns="aaa:bbb:ccc:liechtenstein:eee">
    <rank updated="yes">2</rank>
    <year>2008</year>
    <gdppc>141100</gdppc>
    <neighbor name="Austria" direction="E"/>
    <neighbor name="Switzerland" direction="W"/>
  </country>
  <country name="Singapore" xmlns="aaa:bbb:ccc:singapore:eee">
    <continent>Asia</continent>
    <holidays>
      <christmas>Yes</christmas>
    </holidays>
    <rank updated="yes">5</rank>
    <year>2011</year>
    <gdppc>59900</gdppc>
    <neighbor name="Malaysia" direction="N"/>
  </country>
  <country name="Panama" xmlns="aaa:bbb:ccc:panama:eee">
    <rank updated="yes">69</rank>
    <year>2011</year>
    <gdppc>13600</gdppc>
    <neighbor name="Costa Rica" direction="W"/>
    <neighbor name="Colombia" direction="E"/>
  </country>
</data>

import lxml.etree as etree

tree = etree.parse('my_file.xml')
root = tree.getroot()

cntry_node = root.find('.//country')

上面的find 不会向cntry_node 返回任何内容。在我的真实数据中，层次比这个例子更深。 lxml 文档讨论了命名空间。当我这样做时：

root.nsmap

我看到了：

{None: 'aaa:bbb:ccc:ddd:eee'}

如果有人可以解释如何访问完整的nsmap 和/或如何将其用于find 特定元素？非常感谢。

Answer 1

您可以声明所有命名空间，但鉴于您的示例 xml 的结构，我认为您最好完全忽略命名空间而只使用 local-name();所以

cntry_node = root.xpath('.//*[local-name()="country"]')
cntry_node

返回

[<Element {aaa:bbb:ccc:liechtenstein:eee}country at 0x1cddf1d4680>,
 <Element {aaa:bbb:ccc:singapore:eee}country at 0x1cddf1d47c0>,
 <Element {aaa:bbb:ccc:panama:eee}country at 0x1cddf1d45c0>]

Answer 2

nsmap 不是 XML 文档的所有命名空间的全局集合

我相信您的印象是nsmap 是 XML 文档中存在的 all 命名空间的集合。并且该集合在解析文档后可用。事实并非如此。

nsmap 只允许您访问一个元素的命名空间定义。所以这个：

root = tree.getroot()
root.nsmap

为您提供root 元素上下文中已知的命名空间定义。请记住，“root”只是 Python 变量的名称，实际上包含 XML 文档的最外层元素（我知道这一点是因为您调用了 getroot()）。文档的最外层元素是：

<data xmlns="aaa:bbb:ccc:ddd:eee">

所以预计它的 nsmap 将包含

{None: 'aaa:bbb:ccc:ddd:eee'}

（nsmap 中包含None，因为这是一个默认命名空间，没有命名空间前缀，可以去None 所在的位置。）

XML 文档的结构很糟糕

通常，处理命名空间的最佳方法是自己定义它们（而不是从输入文档中获取它们）。假设我们想找到以下元素：

<country name="Liechtenstein" xmlns="aaa:bbb:ccc:liechtenstein:eee">

此country 元素位于默认命名空间 中，命名空间URI 为“aaa:bbb:ccc:liechtenstein:eee”。要使用 lxml 找到它，请定义一个映射：

my_own_namespace_mapping = {'prefix': 'aaa:bbb:ccc:liechtenstein:eee'}

然后在检索节点时使用它：

root.xpath('.//prefix:country', namespaces=my_own_namespace_mapping)
[<Element {aaa:bbb:ccc:liechtenstein:eee}country at 0x7fea87f363f8>]

但是，对于您的输入文档，您似乎需要为每个 country 元素单独执行此操作，因为它们都位于各自的默认命名空间中：

root.xpath('.//prefix:country', namespaces={'prefix': 'aaa:bbb:ccc:singapore:eee'})
[<Element {aaa:bbb:ccc:singapore:eee}country at 0x7fea879cfd40>]

等等。那是很不切实际的，不是因为lxml或者命名空间很复杂，而是因为有人把这种XML格式设计的不好。

---

顺便说一句，一旦你找到了其中一个元素，你可以再次使用nsmap 来测试我上面所说的是否属实：

root.xpath('.//prefix:country', namespaces={'prefix': 'aaa:bbb:ccc:liechtenstein:eee'})[0].nsmap
{None: 'aaa:bbb:ccc:liechtenstein:eee'}

Answer 3

另一种选择是使用{*} 作为命名空间通配符...

cntry_node = root.find('.//{*}country')

注意：这只适用于find()、findall()、iter()等；不是xpath()。

See here了解更多详情。