python 元素树 iterparse 过滤节点和子节点

Question

我正在尝试使用 elementTree 的 iterparse 函数根据文本过滤节点并将它们写入新文件。我正在使用 iterparse 因为输入文件很大 (100+ MB)

input.xml

<xmllist>
        <page id="1">
        <title>movie title 1</title>
        <text>this is a moviein theatres/text>
        </page>
        <page id="2">
        <title>movie title 2</title>
        <text>this is a horror film</text>
        </page>
        <page id="3">
        <title></title>
        <text>actor in film</text>
        </page>
        <page id="4">
        <title>some other topic</title>
        <text>nothing related</text>
        </page>
</xmllist>

预期输出（文本中包含 "movie" 或 "film" 的所有页面）

<xmllist>
        <page id="1">
        <title>movie title 1</title>
        <text>this is a movie<n theatres/text>
        </page>
        <page id="2">
        <title>movie title 2</title>
        <text>this is a horror film</text>
        </page>
        <page id="3">
        <title></title>
        <text>actor in film</text>
        </page>
</xmllist>

当前代码

import xml.etree.cElementTree as etree
from xml.etree.cElementTree import dump

output_file=open('/tmp/outfile.xml','w')

for event, elem in iter(etree.iterparse("/tmp/test.xml", events=('start','end'))):
    if event == "end" and elem.tag == "page": #need to add condition to search for strings
        output_file.write(elem)
        elem.clear()

如何添加正则表达式以根据页面的文本属性进行过滤？

Answer 1

您正在寻找 child，而不是属性，因此最简单的方法是在迭代中分析标题 "passes by" 并记住结果，直到得到结果的结尾页数：

import re

good_page = False
for event, elem in iter(etree.iterparse("/tmp/test.xml", events=('start','end'))):
    if event == 'end':
        if elem.tag = 'title':
            good_page = re.search(r'film|movie', elem.text)
        elif elem.tag == 'page':
            if good_page:
                output_file.write(elem)
            good_page = False
            elem.clear()

re.search 如果没有找到 return None ， if 将其视为错误，因此我们避免编写没有标题的页面以及标题文本与您想要的 RE 不匹配的那些。

python 元素树 iterparse 过滤节点和子节点

python element tree iterparse filter nodes and children

python

celementtree

iterparse