Python lxml - 如何删除空的重复标签

Question

我有一些由可能有也可能没有空元素的脚本生成的 XML。有人告诉我，现在 XML 中不能有空元素。这是一个例子：

<customer>  
    <govId>
       <id>@</id>
       <idType>SSN</idType>
           <issueDate/>
           <expireDate/>
           <dob/>
           <state/>
           <county/>
           <country/>
    </govId>
    <govId>
        <id/>
        <idType/>
        <issueDate/>
        <expireDate/>
        <dob/>
        <state/>
        <county/>
        <country/>
    </govId>
</customer>

输出应如下所示：

<customer>  
    <govId>
       <id>@</id>
       <idType>SSN</idType>        
    </govId>        
</customer>

我需要删除所有空元素。您会注意到，我的代码取出了“govId”子元素中的空白内容，但第二次没有取出任何内容。我目前正在使用 lxml.objectify。

这基本上是我正在做的事情：

root = objectify.fromstring(xml)
for customer in root.customers.iterchildren():
    for e in customer.govId.iterchildren():
        if not e.text:
            customer.govId.remove(e)

有没有人知道用 lxml objectify 做到这一点的方法，或者有更简单的方法吗？如果它的所有元素都是空的，我还想完全删除第二个“govId”元素。

Answer 1

首先，您的代码的问题在于您正在迭代customers，而不是govIds。在第三行，您为每个客户获取 first govId，并迭代其子代。因此，您需要另一个 for 循环才能使代码按您的预期工作。

问题末尾的这个小句子使问题变得更加复杂：如果第二个“govId”元素的所有元素都是空的，我还想将其全部删除。

这意味着，除非你想硬编码只检查一层嵌套，否则你需要递归检查一个元素及其子元素是否为空。比如这样：

def recursively_empty(e):
   if e.text:
       return False
   return all((recursively_empty(c) for c in e.iterchildren()))

注意：Python 2.5+ 因为使用了all() builtin。

然后，您可以将代码更改为类似这样的内容，以删除文档中一直为空的所有元素。

# Walk over all elements in the tree and remove all
# nodes that are recursively empty
context = etree.iterwalk(root)
for action, elem in context:
    parent = elem.getparent()
    if recursively_empty(elem):
        parent.remove(elem)

样本输出：

<customer>
  <govId>
    <id>@</id>
    <idType>SSN</idType>
  </govId>
</customer>

您可能想做的一件事是在递归函数中优化条件if e.text:。目前，这会将None 和空字符串视为空，但不会将空格和换行符视为空白。如果这是您对“空”的定义的一部分，请使用 str.strip()。

---

编辑：正如@Dave 所指出的，递归函数可以通过使用generator expression 来改进：

return all((recursively_empty(c) for c in e.getchildren()))

这不会同时为所有孩子评估recursively_empty(c)，而是懒惰地评估每个孩子。由于all() 将在第一个False 元素上停止迭代，这可能意味着显着的性能提升。

编辑 2：表达式可以通过使用e.iterchildren() 而不是e.getchildren() 进一步优化。这适用于lxml etree API 和objectify API。