Wie kann ich XML-Namespaces mit find / findall in lxml verwenden?
-
25-09-2019 - |
Frage
Ich versuche zu Parse Inhalt in einer Tabelle Openoffice ODS. Das ods Format ist im Wesentlichen nur eine Zip-Datei mit einer Reihe von Dokumenten. Der Inhalt der Tabelle wird in ‚content.xml‘ gespeichert.
import zipfile
from lxml import etree
zf = zipfile.ZipFile('spreadsheet.ods')
root = etree.parse(zf.open('content.xml'))
Der Inhalt der Tabelle ist in einer Zelle:
table = root.find('.//{urn:oasis:names:tc:opendocument:xmlns:table:1.0}table')
Wir können auch direkt für die Zeilen gehen:
rows = root.findall('.//{urn:oasis:names:tc:opendocument:xmlns:table:1.0}table-row')
Die einzelnen Elemente kennen die Namensräume:
>>> table.nsmap['table']
'urn:oasis:names:tc:opendocument:xmlns:table:1.0'
Wie verwende ich die Namensräume direkt in find / findall?
Die offensichtliche Lösung funktioniert nicht.
Der Versuch, die Zeilen aus der Tabelle zu erhalten:
>>> root.findall('.//table:table')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "lxml.etree.pyx", line 1792, in lxml.etree._ElementTree.findall (src/lxml/lxml.etree.c:41770)
File "lxml.etree.pyx", line 1297, in lxml.etree._Element.findall (src/lxml/lxml.etree.c:37027)
File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 225, in findall
return list(iterfind(elem, path))
File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 200, in iterfind
selector = _build_path_iterator(path)
File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 184, in _build_path_iterator
selector.append(ops[token[0]](_next, token))
KeyError: ':'
Lösung
Wenn root.nsmap
enthält das table
Namespacepräfix dann können Sie:
root.xpath('.//table:table', namespaces=root.nsmap)
findall(path)
akzeptiert {namespace}name
Syntax statt namespace:name
. Daher path
vorverarbeitet werden sollte Namespace-Wörterbuch zum {namespace}name
Formular, bevor es zu findall()
vorbei.
Andere Tipps
Hier ist ein Weg, um alle Namespaces in XML-Dokument zu erhalten (und unter der Annahme gibt es keinen Präfix-Konflikt).
Ich benutze dies, wenn XML-Dokumente parsen, wo ich im Voraus tun, was die Namespace-URLs sind, und nur das Präfix.
doc = etree.XML(XML_string)
# Getting all the name spaces.
nsmap = {}
for ns in doc.xpath('//namespace::*'):
if ns[0]: # Removes the None namespace, neither needed nor supported.
nsmap[ns[0]] = ns[1]
doc.xpath('//prefix:element', namespaces=nsmap)
Vielleicht ist das erste, was zu beachten ist, dass die Namespaces definiert ist, in Element-Ebene , nicht Dokumentebene.
Am häufigsten jedoch alle Namensräumen sind in dem Dokument deklariert
Wurzelelement (office:document-content
hier), die uns es Parsen speichert alle inneren xmlns
Bereiche zu sammeln.
Dann ein Element nsmap enthält:
- ein Standard-Namespace, mit
None
Präfix (nicht immer) - alle Vorfahren Namensraum, es sei denn, außer Kraft gesetzt.
Wenn, wie ChrisR erwähnt, wird der Standard-Namespace nicht unterstützt, Sie können ein dict Verständnis filtern verwenden out in einem kompakteren Ausdruck.
Sie haben eine etwas andere Syntax für XPath und ElementPath .
Also hier ist der Code, den Sie könnten alle Ihre ersten Tabellenzeilen benutzen Sie
(Getestet mit: lxml=3.4.2
):
import zipfile
from lxml import etree
# Open and parse the document
zf = zipfile.ZipFile('spreadsheet.ods')
tree = etree.parse(zf.open('content.xml'))
# Get the root element
root = tree.getroot()
# get its namespace map, excluding default namespace
nsmap = {k:v for k,v in root.nsmap.iteritems() if k}
# use defined prefixes to access elements
table = tree.find('.//table:table', nsmap)
rows = table.findall('table:table-row', nsmap)
# or, if xpath is needed:
table = tree.xpath('//table:table', namespaces=nsmap)[0]
rows = table.xpath('table:table-row', namespaces=nsmap)
etree nicht Namespace-Elemente finden, wenn es keine xmlns
Definitionen in der XML-Datei sind. Zum Beispiel:
import lxml.etree as etree
xml_doc = '<ns:root><ns:child></ns:child></ns:root>'
tree = etree.fromstring(xml_doc)
# finds nothing:
tree.find('.//ns:root', {'ns': 'foo'})
tree.find('.//{foo}root', {'ns': 'foo'})
tree.find('.//ns:root')
tree.find('.//ns:root')
Manchmal ist, dass die Daten, die Sie gegeben sind. Also, was können Sie tun, wenn es kein Namensraum ist?
Meine Lösung:. Ein Add
import lxml.etree as etree
xml_doc = '<ns:root><ns:child></ns:child></ns:root>'
xml_doc_with_ns = '<ROOT xmlns:ns="foo">%s</ROOT>' % xml_doc
tree = etree.fromstring(xml_doc_with_ns)
# finds what you're looking for:
tree.find('.//{foo}root')