使用 Python lxml 处理嵌套元素

Question

鉴于下面的简单 XML 数据：

<book>
   <title>My First Book</title>
   <abstract>
         <para>First paragraph of the abstract</para>
         <para>Second paragraph of the abstract</para>
    </abstract>
    <keywordSet>
         <keyword>First keyword</keyword>
         <keyword>Second keyword</keyword>
         <keyword>Third keyword</keyword>
    </keywordSet>
</book>

如何使用lxml 遍历树，并获取“abstract”元素中的所有段落以及“keywordSet”元素中的所有关键字？

下面的代码 sn-p 只返回每个元素中的第一行文本：

from lxml import objectify
root = objectify.fromstring(xml_string) # xml_string contains the XML data above
print root.title # returns the book title
for line in root.abstract:
    print line.para # returns only yhe first paragraph
for word in root.keywordSet:
    print word.keyword # returns only the first keyword in the set

我尝试关注this example，但上面的代码没有按预期工作。

如果采用不同的策略，最好能够将整个 XML 树读入 Python 字典，其中每个元素作为键，每个文本作为元素项。我发现使用 lxml objectify 可能会实现这样的事情，但我不知道如何实现它。

我在尝试用 Python 编写 XML 解析代码时发现的一个非常大的问题是，提供的大多数“示例”都过于简单且完全是虚构的，无法提供太多帮助——否则它们正好相反，使用过于复杂的自动生成的 XML 数据！

谁能给我一个提示？

提前致谢！

编辑：发布此问题后，我找到了一个简单的解决方案here。

所以，我更新后的代码变成了：

from lxml import objectify
    root = objectify.fromstring(xml_string) # xml_string contains the XML data above
    print root.title # returns the book title
    for para in root.abstract.iterchildren():
        print para # now returns the text of all paragraphs
    for keyword in root.keywordSet.iterchildren():
        print keyword # now returns all keywords in the set

Answer 1

使用XPath 非常简单：

from lxml import etree

tree = etree.parse('data.xml')

paragraphs = tree.xpath('/abstract/para/text()')
keywords = tree.xpath('/keywordSet/keyword/text()')

print paragraphs
print keywords

输出：

['First paragraph of the abstract', 'Second paragraph of the abstract']
['First keyword', 'Second keyword', 'Third keyword']

有关 XPath 语法的详细信息，请参阅 the XPath Tutorial at W3Schools。

特别是，上面表达式中使用的元素使用

• / 选择器选择根节点/直接子节点。
• text() 运算符用于选择各个元素的文本节点（“文本内容”）。

---

以下是使用 Objectify API 的方法：

from lxml import objectify

root = objectify.fromstring(xml_string)

paras = [p.text for p in root.abstract.para]
keywords = [k.text for k in root.keywordSet.keyword]

print paras
print keywords

看来root.abstract.para实际上是shorthand为root.abstract.para[0]。所以你需要显式使用element.iterchildren() 来访问所有子元素。

这不是真的，我们显然都误解了 Objectify API： 为了遍历abstract 中的paras，您需要遍历root.abstract.para，而不是root.abstract 本身。这很奇怪，因为您直观地将abstract 视为其节点的集合或容器，并且该容器将由 Python 可迭代表示。但实际上代表序列的是.para选择器。