使用 ElementTree 按顺序解析某些 XML 标签

Question

我正在尝试以顺序方式解析 XML 文件，只考虑感兴趣的 XML 标签。下面显示了示例 XML 文件（存储为 file.xml）。我只对已知路径的某些 XML 标签感兴趣，如下面的 Python 代码片段所示（例如 header/para/paratext、body/section/intro/text)。不同的 XML 文件可能有不同的标签顺序，所以我不想规定我已知的 XML 标签出现的顺序。有什么建议可以有效地执行此操作而不必遍历整个 XML 文件吗？

XML 文件

<data>
  <header>
    <para>
      <paratext>0 - extract this</paratext>
    </para>
  </header>
  <body>
    <section>
      <intro>
        <text>1 - extract this</text>
      </intro>
      <para>
        <paratext>2 - extract this</paratext>
      </para>
      <items>
        <paratext>do not extract this</paratext>
        <part>
          <para>
            <paratext>3 - extract this</paratext>
          </para>
        </part>
      </items>
    </section>
    <section>
      <text>do not extract this</text>
      <intro>
        <text>4 - extract this</text>
      </intro>
      <para>
        <paratext>5 - extract this</paratext>
      </para>
      <para>
        <paratext>6 - extract this</paratext>
      </para>
    </section>
  </body>
</data>

期望输出：['0 - extract this', '1 - extract this', '2 - extract this', '3 - extract this', '4 - extract this', '5 - extract this', '6 - extract this']

示例 Python 脚本：

import xml.etree.ElementTree as ET

tree = ET.parse('file.xml')
root = tree.getroot()

### Paths I would like to extract (but sequentially)
[i.text for i in root.findall('header/para/paratext')]
# ['0 - extract this']
[i.text for i in root.findall('body/section/intro/text')]
# ['1 - extract this', '4 - extract this']
[i.text for i in root.findall('body/section/para/paratext')]
# ['2 - extract this', '5 - extract this', '6 - extract this']
[i.text for i in root.findall('body/section/items/part/para/paratext')]
# ['3 - extract this']

Answer 1

我认为最好的方法是使用 union operator ("|") in XPath。这将 select 文档顺序中的所需元素。

不幸的是，ElementTree 有 limited XPath support.

如果你可以使用 lxml，它有 much better XPath support。

示例...

Python

from lxml import etree

tree = etree.parse("file.xml")

print([i.text for i in tree.xpath('header/para/paratext|'
                                  'body/section/intro/text|'
                                  'body/section/para/paratext|'
                                  'body/section/items/part/para/paratext')])

打印输出

['0 - extract this', '1 - extract this', '2 - extract this', '3 - extract this', '4 - extract this', '5 - extract this', '6 - extract this']

使用 ElementTree 按顺序解析某些 XML 标签

Parse certain XML tags sequentially using ElementTree

python

xml

elementtree

xml-parsing