PythonでXMLを解析する方法
私はxmlを含むデータベースに多くの行を持っています、そして私はそれらの行を通過しそして特定のノード属性のいくつのインスタンスが現れるかを数えるPythonスクリプトを書くことを試みています。たとえば、私の木は次のようになります。
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
Pythonを使用してXMLの属性1と2にアクセスするにはどうすればよいですか。
ElementTree をお勧めします。 Python標準ライブラリ自体の lxml やcElementTreeなど、同じAPIに互換性のある実装が他にもあります。しかし、これに関連して、彼らが主に付け加えるものはさらにスピードが上がっています - プログラミングの容易さはElementTreeが定義するAPIにかかっています。
最初にXMLからElementインスタンスrootを作成します。 _ xml _ 関数を使用するか、ファイルを次のように解析してください。
import xml.etree.ElementTree as ET
root = ET.parse('thefile.xml').getroot()
または ElementTree に示されている他の多くの方法のいずれか。その後、次のようにします。
for type_tag in root.findall('bar/type'):
value = type_tag.get('foobar')
print(value)
同様の、通常は非常に単純なコードパターン。
minidom が最も早くて簡単です。
XML：
<data>
<items>
<item name="item1"></item>
<item name="item2"></item>
<item name="item3"></item>
<item name="item4"></item>
</items>
</data>
パイソン：
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)
出力
4
item1
item1
item2
item3
item4
BeautifulSoup を使えます
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'
そこに多くのオプションがあります。 cElementTree 速度とメモリ使用量が問題になる場合は/に優れています。単にreadlinesを使ってファイルを読み込むのに比べて、オーバーヘッドはほとんどありません。
関連するメトリックは、 cElementTree Webサイトからコピーされた以下の表にあります。
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
@jfs で指摘されているように、cElementTreeはPythonにバンドルされています。
- Python 2：
from xml.etree import cElementTree as ElementTree. - Python 3：
from xml.etree import ElementTree（Cの高速版が自動的に使われます）.
簡単のために xmltodict をお勧めします。
XmlをOrderedDictに解析します。
>>> 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')])])])
lxml.objectify は本当に簡単です。
サンプルテキストを撮る：
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)
出力：
{'1': 1, '2': 1}
Pythonにはexpat xmlパーサへのインタフェースがあります。
xml.parsers.expat
これは検証されていないパーサなので、悪いxmlはキャッチされません。しかし、あなたのファイルが正しいことを知っていれば、これはかなり良いです、そしておそらくあなたは あなたが望む正確な情報を得て、あなたはその場で残りを捨てることができます。
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
declxml をお勧めします。
完全な開示：このライブラリを書いたのは、ElementTreeを使って何十行もの命令型構文解析/直列化コードを書く必要なしに、XMLとPythonのデータ構造を変換する方法を探していたからです。
Declxmlでは、 processor を使用してXML文書の構造を宣言的に定義し、XMLデータ構造とPythonデータ構造の間のマッピング方法を定義します。プロセッサは、シリアル化と解析の両方、および基本的な検証レベルに使用されます。
Pythonのデータ構造を解析するのは簡単です。
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)
これは出力を生成します：
{'bar': {'foobar': [1, 2]}}
同じプロセッサを使ってデータをXMLにシリアル化することもできます。
data = {'bar': {
'foobar': [7, 3, 21, 16, 11]
}}
xml.serialize_to_string(processor, data, indent=' ')
これは以下の出力を生成します
<?xml version="1.0" ?>
<foo>
<bar>
<type foobar="7"/>
<type foobar="3"/>
<type foobar="21"/>
<type foobar="16"/>
<type foobar="11"/>
</bar>
</foo>
辞書の代わりにオブジェクトを使用したい場合は、オブジェクトとの間でもデータを変換するようにプロセッサを定義できます。
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)
これは以下の出力を生成します
{'bar': Bar(foobars=[1, 2])}
別の可能性を追加するために、それは単純なxml-to-python-objectライブラリであるので、あなたはuntangleを使うことができます。ここに例があります：
インストール
pip install untangle
使用方法
あなたのxmlファイル（少し変更されたもの）：
<foo>
<bar name="bar_name">
<type foobar="1"/>
</bar>
</foo>
untangleを使って属性にアクセスする：
import untangle
obj = untangle.parse('/path_to_xml_file/file.xml')
print obj.foo.bar['name']
print obj.foo.bar.type['foobar']
出力は以下のようになります。
bar_name
1
解くことについてのより多くの情報は見つけることができます ここ 。
（あなたが興味があるなら）また、あなたはXMLとPythonを扱うためのツールのリストを見つけることができます ここ （あなたはまた、最も一般的なものが以前の答えで言及されたのを見るでしょう）。
これはcElementTreeを使った非常に単純だが効果的なコードです。
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")
ソース：
http://www.snip2code.com/Snippet/991/python-xml-parse?fromPage=1
私はPythonの xml.dom とxml.dom.minidomをとても簡単に見つけます。 DOMは大量のXMLには適していませんが、入力がかなり小さい場合はこれで問題ありません。
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')
これはfoobar属性の値を表示します。
XML
<foo>
<bar>
<type foobar="1"/>
<type foobar="2"/>
</bar>
</foo>
PYTHON_CODE
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])
出力：
foo
1
2
xml.etree.ElementTreeとlxml
これらは私がそれらの間で選択する前に知っておくと便利な2つの最も使用されているライブラリのうちのいくつかの長所です。
xml.etree.ElementTree：
- 標準ライブラリから ：モジュールをインストールする必要はありません
lxml
- XML宣言を簡単に書く ：例えば
standalone="no"を追加する必要がありますか？ - きれいな印刷 ：余分なコードなしでNice インデント XMLを持つことができます。
- 目的 機能性：通常のPythonオブジェクトhierarchy
.nodeを扱っているかのようにXMLを使うことができます。