Przetwarzanie XML z nazw w Pythonie poprzez „ElementTree”

Question

mam następujące XML, który chcę analizować przy użyciu Pythona ElementTree:

<rdf:RDF xml:base="http://dbpedia.org/ontology/" 
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" 
    xmlns:owl="http://www.w3.org/2002/07/owl#" 
    xmlns:xsd="http://www.w3.org/2001/XMLSchema#" 
    xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" 
    xmlns="http://dbpedia.org/ontology/"> 

    <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague"> 
     <rdfs:label xml:lang="en">basketball league</rdfs:label> 
     <rdfs:comment xml:lang="en"> 
      a group of sports teams that compete against each other 
      in Basketball 
     </rdfs:comment> 
    </owl:Class> 

</rdf:RDF> 

chcę znaleźć wszystkie owl:Class tagi i następnie wyodrębnić wartość wszystkich rdfs:label przypadkach w nich. Korzystam z następującego kodu:

tree = ET.parse("filename") 
root = tree.getroot() 
root.findall('owl:Class') 

Z powodu przestrzeni nazw otrzymuję następujący błąd.

SyntaxError: prefix 'owl' not found in prefix map 

Próbowałem czytania dokumentu w http://effbot.org/zone/element-namespaces.htm ale nadal nie jestem w stanie uzyskać tej pracy, ponieważ powyżej XML ma wiele nazw zagnieżdżonych.

Prosimy o informację, jak zmienić kod, aby znaleźć wszystkie znaczniki owl:Class.

Answer 1

ElementTree nie jest zbyt inteligentny jeśli chodzi o przestrzenie nazw. Musisz podać metody jawnego słownika przestrzeni nazw. . To nie jest bardzo dobrze udokumentowane:

namespaces = {'owl': 'http://www.w3.org/2002/07/owl#'} # add more as needed 

root.findall('owl:Class', namespaces) 

Prefiksy są tylko spojrzał w parametrze namespaces możesz przekazać w ten sposób można użyć dowolnego namespace prefix chcesz; API dzieli część owl:, wyszukuje odpowiedni adres URL przestrzeni nazw w słowniku namespaces, a następnie zmienia wyszukiwanie, aby wyszukać wyrażenie XPath {http://www.w3.org/2002/07/owl}Class. Można użyć tej samej składni siebie zbyt przedmiotu:

root.findall('{http://www.w3.org/2002/07/owl#}Class') 

Jeśli można przełączyć do lxml library rzeczy są lepsze; ta biblioteka obsługuje ten sam interfejs ElementTree API, ale zbiera obszary nazw w atrybucie .nsmap na elementach.

Answer 2

Oto jak to zrobić z lxml bez konieczności twardego kodeksu nazw lub zeskanować tekst dla nich (jak wspomina Martijn Pieters):

from lxml import etree 
tree = etree.parse("filename") 
root = tree.getroot() 
root.findall('owl:Class', root.nsmap) 

Answer 3

Uwaga: Jest to odpowiedź użyteczne dla Biblioteka standardowa ElementTree w standardzie Python bez użycia zakodowanych na stałe przestrzeni nazw.

Aby wyodrębnić przedrostków przestrzeni nazw i URI z danymi XML można użyć ElementTree.iterparse funkcji parsowania tylko nazw rozpoczęcia zdarzenia (start-NS):

>>> from io import StringIO 
>>> from xml.etree import ElementTree 
>>> my_schema = u'''<rdf:RDF xml:base="http://dbpedia.org/ontology/" 
...  xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" 
...  xmlns:owl="http://www.w3.org/2002/07/owl#" 
...  xmlns:xsd="http://www.w3.org/2001/XMLSchema#" 
...  xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" 
...  xmlns="http://dbpedia.org/ontology/"> 
... 
...  <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague"> 
...   <rdfs:label xml:lang="en">basketball league</rdfs:label> 
...   <rdfs:comment xml:lang="en"> 
...   a group of sports teams that compete against each other 
...   in Basketball 
...   </rdfs:comment> 
...  </owl:Class> 
... 
... </rdf:RDF>''' 
>>> my_namespaces = dict([ 
...  node for _, node in ElementTree.iterparse(
...   StringIO(my_schema), events=['start-ns'] 
... ) 
... ]) 
>>> from pprint import pprint 
>>> pprint(my_namespaces) 
{'': 'http://dbpedia.org/ontology/', 
'owl': 'http://www.w3.org/2002/07/owl#', 
'rdf': 'http://www.w3.org/1999/02/22-rdf-syntax-ns#', 
'rdfs': 'http://www.w3.org/2000/01/rdf-schema#', 
'xsd': 'http://www.w3.org/2001/XMLSchema#'} 

Następnie słownika mogą być przekazywane jako argument funkcje wyszukiwania:

root.findall('owl:Class', my_namespaces) 

Answer 4

wiem, że jestem kilka lat spóźnione, ale ja po prostu stworzył pakiet, który będzie obsługiwać konwersji słownika do ważnego XML z nazw s. Pakiet jest hostowany na PyPi @https://pypi.python.org/pypi/xmler.

Korzystanie z tego pakietu można wziąć ze słownika, który wygląda tak:

myDict = { 
    "RootTag": {      # The root tag. Will not necessarily be root. (see #customRoot) 
     "@ns": "soapenv",   # The namespace for the RootTag. The RootTag will appear as <soapenv:RootTag ...> 
     "@attrs": {      # @attrs takes a dictionary. each key-value pair will become an attribute 
      { "xmlns:soapenv": "http://schemas.xmlsoap.org/soap/envelope/" } 
     }, 
     "childTag": { 
      "@attrs": { 
       "someAttribute": "colors are nice" 
      }, 
      "grandchild": "This is a text tag" 
     } 
    } 
} 

i uzyskać dane wyjściowe XML, który wygląda tak:

<soapenv:RootTag xmlns:soapenv="http://schemas.xmlsoap.org/soap/envelope/"> 
    <childTag someAttribute="colors are nice"> 
     <grandchild>This is a text tag</grandchild> 
    </childTag> 
</soapenv:RootTag> 

Nadzieja ta jest użyteczna dla ludzi w przyszłości

Answer 5

Używam podobnego kodu do tego i stwierdziłem, że zawsze warto przeczytać dokumentację ... jak zwykle!

findall() znajdzie tylko te elementy, które są bezpośrednie elementy podrzędne bieżącego tagu. Tak naprawdę nie wszystkie.

Być może warto poświęcić chwilę na sprawdzenie, czy Twój kod działa z następującymi elementami, szczególnie jeśli mamy do czynienia z dużymi i złożonymi plikami xml, aby uwzględnić również pod-podelementy (itp.). Jeśli wiesz, gdzie są elementy w twoim xml, to przypuszczam, że będzie dobrze! Pomyślałem, że warto o tym pamiętać.

root.iter() 

ref. https://docs.python.org/3/library/xml.etree.elementtree.html#finding-interesting-elements „Element.findall() znajduje tylko elementy o zmiennej, które są bezpośrednimi dzieci bieżącego elementu Element.find() znajduje się pierwszy dziecko określonego znacznika i Element.text uzyskuje dostęp do treści tekstowej elementu Element.get() uzyskuje dostęp do atrybutów elementu: "