LXML etree xmlparser إزالة مساحة الاسم غير المرغوب فيها
-
27-09-2019 - |
سؤال
لدي مستند XML أحاول تحليله باستخدام etree.lxml
<Envelope xmlns="http://www.example.com/zzz/yyy">
<Header>
<Version>1</Version>
</Header>
<Body>
some stuff
<Body>
<Envelope>
الكود الخاص بي هو:
path = "path to xml file"
from lxml import etree as ET
parser = ET.XMLParser(ns_clean=True)
dom = ET.parse(path, parser)
dom.getroot()
عندما أحاول الحصول على dom.getroot () أحصل على:
<Element {http://www.example.com/zzz/yyy}Envelope at 28adacac>
ومع ذلك أريد فقط:
<Element Envelope at 28adacac>
عندما أفعل
dom.getroot().find("Body")
أحصل على أي شيء أعيد. ومع ذلك ، عندما أنا
dom.getroot().find("{http://www.example.com/zzz/yyy}Body")
أحصل على نتيجة.
اعتقدت أن تمرير ns_clean = صحيح أن المحلل قد يمنع هذا.
أيه أفكار؟
المحلول
import io
import lxml.etree as ET
content='''\
<Envelope xmlns="http://www.example.com/zzz/yyy">
<Header>
<Version>1</Version>
</Header>
<Body>
some stuff
</Body>
</Envelope>
'''
dom = ET.parse(io.BytesIO(content))
يمكنك العثور xpath
طريقة:
body=dom.xpath('//ns:Body',namespaces={'ns':'http://www.example.com/zzz/yyy'})
print(body)
# [<Element {http://www.example.com/zzz/yyy}Body at 90b2d4c>]
إذا كنت ترغب حقًا في إزالة مساحات الأسماء ، فيمكنك استخدام تحويل XSL:
# http://wiki.tei-c.org/index.php/Remove-Namespaces.xsl
xslt='''<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" indent="no"/>
<xsl:template match="/|comment()|processing-instruction()">
<xsl:copy>
<xsl:apply-templates/>
</xsl:copy>
</xsl:template>
<xsl:template match="*">
<xsl:element name="{local-name()}">
<xsl:apply-templates select="@*|node()"/>
</xsl:element>
</xsl:template>
<xsl:template match="@*">
<xsl:attribute name="{local-name()}">
<xsl:value-of select="."/>
</xsl:attribute>
</xsl:template>
</xsl:stylesheet>
'''
xslt_doc=ET.parse(io.BytesIO(xslt))
transform=ET.XSLT(xslt_doc)
dom=transform(dom)
هنا نرى أن مساحة الاسم قد تمت إزالة:
print(ET.tostring(dom))
# <Envelope>
# <Header>
# <Version>1</Version>
# </Header>
# <Body>
# some stuff
# </Body>
# </Envelope>
لذلك يمكنك الآن العثور على عقدة الجسم بهذه الطريقة:
print(dom.find("Body"))
# <Element Body at 8506cd4>
نصائح أخرى
حاول استخدام XPath:
dom.xpath("//*[local-name() = 'Body']")
أخذ (وتبسيط) من هذه الصفحة, ، تحت قسم "طريقة XPATH ()"
الحل الأخير من https://bitbucket.org/olauzanne/pyquery/issue/17 يمكن أن تساعدك على تجنب مساحات الأسماء مع القليل من الجهد
يتقدم
xml.replace(' xmlns:', ' xmlnamespace:')
إلى XML الخاص بك قبل استخدام pyquery ، سوف تتجاهل LXML مساحات الأسماء
في حالتك ، حاول xml.replace(' xmlns="', ' xmlnamespace="')
. ومع ذلك ، قد تحتاج إلى شيء أكثر تعقيدًا إذا كانت السلسلة متوقعة في الهيئات أيضًا.
أنت تعرض نتيجة مكالمة repr (). عندما تنتقل برمجيًا عبر الشجرة ، يمكنك ببساطة اختيار تجاهل مساحة الاسم.