Python 将 XML 解析为缺少元素的 DataFrame

Question

我想解析一个 xml 文件，但缺少某些员工的某些元素。在下面的示例中，并非所有员工都有就业数据。

这是一个示例文件：

<Employees
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="https://www.portalvs.sk/regzam/employees.xsd"
    generated="2020-09-14">
    <Employee Id="87912190">
    <GivenName>John</GivenName>
    <FamilyName>Test1</FamilyName>
    </Employee>
    <Employee Id="40286072">
    <GivenName>Josh</GivenName>
    <FamilyName>Test2</FamilyName>
    </Employee>
    <Employee Id="79273304">
    <GivenName>Mark</GivenName>
    <FamilyName>Test3</FamilyName>
    </Employee>
    <Employee Id="62028843">
    <GivenName>Cath</GivenName>
    <FamilyName>Test4</FamilyName>
    <Employment>
        <Workplace Code="995000000">
        <University Code="995000000">UniversityTest</University>
        </Workplace>
        <BeginDate>2013-11-01</BeginDate>
    </Employment>
    </Employee>
    <Employee Id="24030368">
    <GivenName>Becky</GivenName>
    <FamilyName>Test5</FamilyName>
    <Employment>
        <Workplace Code="998000000">
        <University Code="998000000">UniversityTest2</University>
        </Workplace>
        <BeginDate>2008-09-01</BeginDate>
    </Employment>
    </Employee>
</Employees>

我想用 employee_id、employee_first_name、employee_last_name、university_code 和 begin_date 创建一个 DataFrame。对于那些没有就业数据的员工，我希望大学价值观缺失。

employee_id employee_first_name employee_last_name university_code begin_date
87912190    John                Test1              NaN             NaN
40286072    Josh                Test2              NaN             NaN
79273304    Mark                Test3              NaN             NaN
62028843    Cath                Test4              995000000       2013-11-01
24030368    Becky               Test5              998000000       2008-09-01

感谢您的帮助，因为我对 Python 比较陌生，对 xml 解析完全陌生。

Answer 1

您可以使用 beautifulsoup 来解析 XML。例如，其他选项是 lxml。

如果 txt 包含您的 XML 代码段，则此代码：

from bs4 import BeautifulSoup


soup = BeautifulSoup(txt, 'html.parser')

all_data = []
for e in soup.select('employee'):
    all_data.append({
        'employee_id': e['id'],
        'employee_first_name': e.givenname.text,
        'employee_last_name': e.familyname.text,
        'university_code': e.university['code'] if e.university else None,
        'begin_date': e.begindate.text if e.begindate else None
    })

df = pd.DataFrame(all_data)
print(df)

创建此数据框：

  employee_id employee_first_name employee_last_name university_code  begin_date
0    87912190                John              Test1            None        None
1    40286072                Josh              Test2            None        None
2    79273304                Mark              Test3            None        None
3    62028843                Cath              Test4       995000000  2013-11-01
4    24030368               Becky              Test5       998000000  2008-09-01

Python 将 XML 解析为缺少元素的 DataFrame

Python Parsing XML to DataFrame with absent Elements

python

xml

dataframe

xml-parsing