Как мне разобрать XML в Python?


1004

У меня есть много строк в базе данных, содержащей XML, и я пытаюсь написать скрипт Python для подсчета экземпляров определенного атрибута узла.

Мое дерево выглядит так:

<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>

Как я могу получить доступ к атрибутам "1"и "2"в XML с помощью Python?


Ответы:


782

Я предлагаю ElementTree. Существуют другие совместимые реализации того же API, например lxml, и cElementTreeв самой стандартной библиотеке Python; но в этом контексте они в основном добавляют еще большую скорость - легкость программирования зависит от API, который ElementTreeопределяет.

Сначала создайте экземпляр Element rootиз XML, например, с помощью функции XML , или проанализируйте файл с помощью чего-то вроде:

import xml.etree.ElementTree as ET
root = ET.parse('thefile.xml').getroot()

Или любой из множества других способов, показанных на ElementTree. Затем сделайте что-то вроде:

for type_tag in root.findall('bar/type'):
    value = type_tag.get('foobar')
    print(value)

И похожие, обычно довольно простые, шаблоны кода.


41
Вы, кажется, игнорируете xml.etree.cElementTree, который поставляется с Python и в некоторых аспектах он быстрее lxml («itxparse () lxml немного медленнее, чем в cET» - электронная почта от автора lxml).
Джон Мачин

7
ElementTree работает и входит в состав Python. Однако поддержка XPath ограничена, и вы не можете перейти к родительскому элементу, что может замедлить разработку (особенно, если вы этого не знаете). Подробности смотрите в запросе Python xml get parent .
Самуил

11
lxmlдобавляет больше скорости. Он обеспечивает легкий доступ к такой информации, как родительский узел, номер строки в источнике XML и т. Д., Что может быть очень полезно в нескольких сценариях.
Сахил Годхейн

13
Кажется, что у ElementTree есть некоторые проблемы с уязвимостью, это цитата из документов: Warning The xml.etree.ElementTree module is not secure against maliciously constructed data. If you need to parse untrusted or unauthenticated data see XML vulnerabilities.
Cristik,

5
@Cristik Это похоже на большинство синтаксических анализаторов XML, см. Страницу уязвимостей XML .
Гитаарик

427

minidom самый быстрый и довольно прямой.

XML:

<data>
    <items>
        <item name="item1"></item>
        <item name="item2"></item>
        <item name="item3"></item>
        <item name="item4"></item>
    </items>
</data>

Python:

from xml.dom import minidom
xmldoc = minidom.parse('items.xml')
itemlist = xmldoc.getElementsByTagName('item')
print(len(itemlist))
print(itemlist[0].attributes['name'].value)
for s in itemlist:
    print(s.attributes['name'].value)

Вывод:

4
item1
item1
item2
item3
item4

9
Как вы получаете значение "item1"? Например: <item name = "item1"> Value1 </ item>
swmcdonnell

88
Я понял это на тот случай, если у кого-то возникнет тот же вопрос. Это s.childNodes [0] .nodeValue
swmcdonnell

1
Мне нравится ваш пример, я хочу его реализовать, но где я могу найти доступные функции minidom. Сайт python minidom - отстой, на мой взгляд.
Дрюдин

1
Я также запутался, почему он находит itemпрямо с верхнего уровня документа? не будет ли чище, если вы укажете путь ( data->items)? потому что, что если у вас также есть data->secondSetOfItemsимя узла, itemи вы хотите перечислить только один из двух наборов item?
амфибия


240

Вы можете использовать BeautifulSoup :

from bs4 import BeautifulSoup

x="""<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>"""

y=BeautifulSoup(x)
>>> y.foo.bar.type["foobar"]
u'1'

>>> y.foo.bar.findAll("type")
[<type foobar="1"></type>, <type foobar="2"></type>]

>>> y.foo.bar.findAll("type")[0]["foobar"]
u'1'
>>> y.foo.bar.findAll("type")[1]["foobar"]
u'2'

Спасибо за информацию @ibz, Да, на самом деле, если исходные тексты не правильно сформированы, будет также сложно проанализировать парсеры.
ВЫ

45
три года спустя с bs4 это отличное решение, очень гибкое, особенно если источник плохо сформирован
cedbeu

8
@YOU BeautifulStoneSoupУСТАРЕЛО. Просто используйтеBeautifulSoup(source_xml, features="xml")
andilabs

5
Еще 3 года спустя я просто попытался загрузить XML с использованием ElementTree, к сожалению, он не может выполнить синтаксический анализ, если я не настроил источник в местах, но BeautifulSoupработал сразу же без каких-либо изменений!
ВикиГ

8
@andi Ты имеешь в виду "устарел". «Устаревший» означает, что он снизился в стоимости, как правило, из-за возраста или износа от нормального использования.
jpmc26

98

Есть много вариантов там. cElementTree выглядит превосходно, если скорость и использование памяти являются проблемой. Это очень мало накладных расходов по сравнению с простым чтением в файле с помощью readlines.

Соответствующие показатели можно найти в таблице ниже, скопированной с веб-сайта cElementTree :

library                         time    space
xml.dom.minidom (Python 2.1)    6.3 s   80000K
gnosis.objectify                2.0 s   22000k
xml.dom.minidom (Python 2.4)    1.4 s   53000k
ElementTree 1.2                 1.6 s   14500k  
ElementTree 1.2.4/1.3           1.1 s   14500k  
cDomlette (C extension)         0.540 s 20500k
PyRXPU (C extension)            0.175 s 10850k
libxml2 (C extension)           0.098 s 16000k
readlines (read as utf-8)       0.093 s 8850k
cElementTree (C extension)  --> 0.047 s 4900K <--
readlines (read as ascii)       0.032 s 5050k   

Как указывает @jfs , cElementTreeпоставляется в комплекте с Python:

  • Python 2: from xml.etree import cElementTree as ElementTree.
  • Python 3: from xml.etree import ElementTree(ускоренная версия C используется автоматически).

9
Есть ли недостатки использования cElementTree? Это кажется легким делом.
Mayhewsw

6
Очевидно, они не хотят использовать библиотеку в OS X, поскольку я потратил более 15 минут, пытаясь выяснить, откуда ее скачать, и никакая ссылка не работает. Отсутствие документации мешает процветанию хороших проектов, хотелось бы, чтобы больше людей осознавали это.
Stunner

8
@Stunner: он в stdlib, т.е. вам не нужно ничего скачивать. На Python 2: from xml.etree import cElementTree as ElementTree. На Python 3: from xml.etree import ElementTree(ускоренная версия C используется автоматически)
jfs

1
@mayhewsw Это больше усилий, чтобы выяснить, как эффективно использовать ElementTreeдля конкретной задачи. Для документов, которые помещаются в память, его намного проще использовать minidom, и он отлично работает для небольших XML-документов.
Acumenus

44

Я предлагаю xmltodict для простоты.

Он анализирует ваш XML в OrderedDict;

>>> e = '<foo>
             <bar>
                 <type foobar="1"/>
                 <type foobar="2"/>
             </bar>
        </foo> '

>>> import xmltodict
>>> result = xmltodict.parse(e)
>>> result

OrderedDict([(u'foo', OrderedDict([(u'bar', OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])]))]))])

>>> result['foo']

OrderedDict([(u'bar', OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])]))])

>>> result['foo']['bar']

OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])])

3
Согласовано. Если вам не нужен XPath или что-либо более сложное, его гораздо проще использовать (особенно в интерпретаторе); удобно для API REST, которые публикуют XML вместо JSON
Дэн Пассаро

4
Помните, что OrderedDict не поддерживает дубликаты ключей. Большая часть XML переполнена множеством братьев и сестер одного и того же типа (скажем, всех абзацев в разделе или всех типов на панели). Так что это будет работать только для очень ограниченных особых случаев.
TextGeek

2
@TextGeek В данном случае result["foo"]["bar"]["type"]это список всех <type>элементов, поэтому он все еще работает (хотя структура может быть немного неожиданной).
Луатор

38

lxml.objectify действительно прост.

Взяв образец текста:

from lxml import objectify
from collections import defaultdict

count = defaultdict(int)

root = objectify.fromstring(text)

for item in root.bar.type:
    count[item.attrib.get("foobar")] += 1

print dict(count)

Вывод:

{'1': 1, '2': 1}

countсохраняет количество каждого элемента в словаре с ключами по умолчанию, поэтому вам не нужно проверять членство. Вы также можете попробовать посмотреть collections.Counter.
Райан Гинстром

20

У Python есть интерфейс для парсера XML-экспата.

xml.parsers.expat

Это не проверяющий парсер, поэтому плохой XML не будет пойман. Но если вы знаете, что ваш файл верен, то это довольно хорошо, и вы, вероятно, получите точную информацию, которую хотите, и можете отказаться от всего остального на лету.

stringofxml = """<foo>
    <bar>
        <type arg="value" />
        <type arg="value" />
        <type arg="value" />
    </bar>
    <bar>
        <type arg="value" />
    </bar>
</foo>"""
count = 0
def start(name, attr):
    global count
    if name == 'type':
        count += 1

p = expat.ParserCreate()
p.StartElementHandler = start
p.Parse(stringofxml)

print count # prints 4

+1, потому что я ищу не проверяющий парсер, который будет работать с странными исходными символами. Надеюсь, это даст мне результаты, которые я хочу.
Натан С. Треш

1
Пример был сделан в 09 году, и вот как это было сделано.
Тор

14

Я мог бы предложить declxml .

Полное раскрытие: я написал эту библиотеку, потому что искал способ преобразования между структурами данных XML и Python без необходимости писать десятки строк кода обязательного разбора / сериализации с помощью ElementTree.

С помощью declxml вы используете процессоры для декларативного определения структуры вашего XML-документа и того, как сопоставлять структуры данных XML и Python. Процессоры используются как для сериализации и анализа, так и для базового уровня проверки.

Разбор структур данных Python прост:

import declxml as xml

xml_string = """
<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>
"""

processor = xml.dictionary('foo', [
    xml.dictionary('bar', [
        xml.array(xml.integer('type', attribute='foobar'))
    ])
])

xml.parse_from_string(processor, xml_string)

Который производит вывод:

{'bar': {'foobar': [1, 2]}}

Вы также можете использовать тот же процессор для сериализации данных в XML

data = {'bar': {
    'foobar': [7, 3, 21, 16, 11]
}}

xml.serialize_to_string(processor, data, indent='    ')

Который производит следующий вывод

<?xml version="1.0" ?>
<foo>
    <bar>
        <type foobar="7"/>
        <type foobar="3"/>
        <type foobar="21"/>
        <type foobar="16"/>
        <type foobar="11"/>
    </bar>
</foo>

Если вы хотите работать с объектами вместо словарей, вы можете определить процессоры для преобразования данных в и из объектов.

import declxml as xml

class Bar:

    def __init__(self):
        self.foobars = []

    def __repr__(self):
        return 'Bar(foobars={})'.format(self.foobars)


xml_string = """
<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>
"""

processor = xml.dictionary('foo', [
    xml.user_object('bar', Bar, [
        xml.array(xml.integer('type', attribute='foobar'), alias='foobars')
    ])
])

xml.parse_from_string(processor, xml_string)

Который производит следующий вывод

{'bar': Bar(foobars=[1, 2])}

13

Просто чтобы добавить еще одну возможность, вы можете использовать Untangle , так как это простая библиотека xml-to-python-object. Вот вам пример:

Установка:

pip install untangle

Применение:

Ваш XML-файл (немного изменен):

<foo>
   <bar name="bar_name">
      <type foobar="1"/>
   </bar>
</foo>

Доступ к атрибутам с помощью untangle:

import untangle

obj = untangle.parse('/path_to_xml_file/file.xml')

print obj.foo.bar['name']
print obj.foo.bar.type['foobar']

Выход будет:

bar_name
1

Более подробную информацию о Untangle можно найти в разделе « Untangle ».

Также, если вам интересно, вы можете найти список инструментов для работы с XML и Python в разделе « Python and XML ». Вы также увидите, что наиболее распространенные были упомянуты в предыдущих ответах.


Что отличает распутывание от минидома?
Аарон Манн

Я не могу сказать вам разницу между этими двумя, так как я не работал с минидомом.
jchanger

10

Здесь очень простой, но эффективный код с использованием cElementTree.

try:
    import cElementTree as ET
except ImportError:
  try:
    # Python 2.5 need to import a different module
    import xml.etree.cElementTree as ET
  except ImportError:
    exit_err("Failed to import cElementTree from any known place")      

def find_in_tree(tree, node):
    found = tree.find(node)
    if found == None:
        print "No %s in file" % node
        found = []
    return found  

# Parse a xml file (specify the path)
def_file = "xml_file_name.xml"
try:
    dom = ET.parse(open(def_file, "r"))
    root = dom.getroot()
except:
    exit_err("Unable to open and parse input definition file: " + def_file)

# Parse to find the child nodes list of node 'myNode'
fwdefs = find_in_tree(root,"myNode")

Это из " разбора python xml ".


7

XML:

<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>

Код Python:

import xml.etree.cElementTree as ET

tree = ET.parse("foo.xml")
root = tree.getroot() 
root_tag = root.tag
print(root_tag) 

for form in root.findall("./bar/type"):
    x=(form.attrib)
    z=list(x)
    for i in z:
        print(x[i])

Вывод:

foo
1
2

6
import xml.etree.ElementTree as ET
data = '''<foo>
           <bar>
               <type foobar="1"/>
               <type foobar="2"/>
          </bar>
       </foo>'''
tree = ET.fromstring(data)
lst = tree.findall('bar/type')
for item in lst:
    print item.get('foobar')

Это напечатает значение foobarатрибута.


6

xml.etree.ElementTree против lxml

Вот некоторые плюсы двух наиболее часто используемых библиотек, которые мне было бы полезно узнать, прежде чем выбирать между ними.

xml.etree.ElementTree:

  1. Из стандартной библиотеки : нет необходимости устанавливать какой-либо модуль

LXML

  1. Легко написать декларацию XML : например, вам нужно добавитьstandalone="no" ?
  2. Красивая печать : вы можете иметь хороший отступ XML без лишнего кода.
  3. овеществлятьФункциональность : позволяет вам использовать XML, как если бы вы имели дело с обычной иерархией объектов Python .node.
  4. sourceline позволяет легко получить строку используемого вами элемента XML.
  5. Вы также можете использовать встроенную проверку схемы XSD.

5

Я нахожу Python xml.dom и xml.dom.minidom довольно простым. Имейте в виду, что DOM не подходит для больших объемов XML, но если ваш ввод довольно мал, это будет работать нормально.


2

Нет необходимости использовать специфичный для lib API, если вы используете python-benedict. Просто инициализируйте новый экземпляр из вашего XML и управляйте им легко, так как это dictподкласс.

Установка проста: pip install python-benedict

from benedict import benedict as bdict

# data-source can be an url, a filepath or data-string (as in this example)
data_source = """
<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>"""

data = bdict.from_xml(data_source)
t_list = data['foo.bar'] # yes, keypath supported
for t in t_list:
   print(t['@foobar'])

Он поддерживает и нормализует операции ввода / вывода со многими форматами: Base64, CSV, JSON, TOML, XML, YAMLи query-string.

Это хорошо проверено и с открытым исходным кодом на GitHub .


0
#If the xml is in the form of a string as shown below then
from lxml  import etree, objectify
'''sample xml as a string with a name space {http://xmlns.abc.com}'''
message =b'<?xml version="1.0" encoding="UTF-8"?>\r\n<pa:Process xmlns:pa="http://xmlns.abc.com">\r\n\t<pa:firsttag>SAMPLE</pa:firsttag></pa:Process>\r\n'  # this is a sample xml which is a string


print('************message coversion and parsing starts*************')

message=message.decode('utf-8') 
message=message.replace('<?xml version="1.0" encoding="UTF-8"?>\r\n','') #replace is used to remove unwanted strings from the 'message'
message=message.replace('pa:Process>\r\n','pa:Process>')
print (message)

print ('******Parsing starts*************')
parser = etree.XMLParser(remove_blank_text=True) #the name space is removed here
root = etree.fromstring(message, parser) #parsing of xml happens here
print ('******Parsing completed************')


dict={}
for child in root: # parsed xml is iterated using a for loop and values are stored in a dictionary
    print(child.tag,child.text)
    print('****Derving from xml tree*****')
    if child.tag =="{http://xmlns.abc.com}firsttag":
        dict["FIRST_TAG"]=child.text
        print(dict)


### output
'''************message coversion and parsing starts*************
<pa:Process xmlns:pa="http://xmlns.abc.com">

    <pa:firsttag>SAMPLE</pa:firsttag></pa:Process>
******Parsing starts*************
******Parsing completed************
{http://xmlns.abc.com}firsttag SAMPLE
****Derving from xml tree*****
{'FIRST_TAG': 'SAMPLE'}'''

Пожалуйста, также включите некоторый контекст, объясняющий, как ваш ответ решает проблему. Ответы только на код не приветствуются.
Педрам Парсиан

-1

Если источником является файл XML, скажем, как этот пример

<pa:Process xmlns:pa="http://sssss">
        <pa:firsttag>SAMPLE</pa:firsttag>
    </pa:Process>

Вы можете попробовать следующий код

from lxml import etree, objectify
metadata = 'C:\\Users\\PROCS.xml' # this is sample xml file the contents are shown above
parser = etree.XMLParser(remove_blank_text=True) # this line removes the  name space from the xml in this sample the name space is --> http://sssss
tree = etree.parse(metadata, parser) # this line parses the xml file which is PROCS.xml
root = tree.getroot() # we get the root of xml which is process and iterate using a for loop
for elem in root.getiterator():
    if not hasattr(elem.tag, 'find'): continue  # (1)
    i = elem.tag.find('}')
    if i >= 0:
        elem.tag = elem.tag[i+1:]

dict={}  # a python dictionary is declared
for elem in tree.iter(): #iterating through the xml tree using a for loop
    if elem.tag =="firsttag": # if the tag name matches the name that is equated then the text in the tag is stored into the dictionary
        dict["FIRST_TAG"]=str(elem.text)
        print(dict)

Выход будет

{'FIRST_TAG': 'SAMPLE'}
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.