lxml etree XMLParser entfernen unerwünschte Namespace
-
27-09-2019 - |
Frage
Ich habe ein XML-Dokument, dass ich zu analysieren versuchen Etree.lxml mit
<Envelope xmlns="http://www.example.com/zzz/yyy">
<Header>
<Version>1</Version>
</Header>
<Body>
some stuff
<Body>
<Envelope>
Mein Code ist:
path = "path to xml file"
from lxml import etree as ET
parser = ET.XMLParser(ns_clean=True)
dom = ET.parse(path, parser)
dom.getroot()
Wenn ich versuche, dom.getroot zu bekommen () erhalte ich:
<Element {http://www.example.com/zzz/yyy}Envelope at 28adacac>
Jedoch habe ich nur wollen:
<Element Envelope at 28adacac>
Wenn ich tun
dom.getroot().find("Body")
Ich bekomme nichts zurück. Allerdings, wenn ich
dom.getroot().find("{http://www.example.com/zzz/yyy}Body")
ich ein Ergebnis bekommen.
dachte ich vorbei ns_clean = True an den Parser würde dies verhindern.
Irgendwelche Ideen?
Lösung
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))
Sie können Namespace-aware Knoten mit der xpath
Methode finden:
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>]
Wenn Sie wirklich Namespaces entfernen möchten, können Sie eine XSL-Transformation verwenden:
# 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)
Hier sehen wir den Namensraum entfernt wurde:
print(ET.tostring(dom))
# <Envelope>
# <Header>
# <Version>1</Version>
# </Header>
# <Body>
# some stuff
# </Body>
# </Envelope>
So können Sie nun den Körperknoten diese Weise finden:
print(dom.find("Body"))
# <Element Body at 8506cd4>
Andere Tipps
Versuchen Sie mithilfe von XPath:
dom.xpath("//*[local-name() = 'Body']")
Taken (und vereinfacht) von dieser Seite unter "XPath () -Methode" -Abschnitt
Die letzte Lösung von https://bitbucket.org/olauzanne/pyquery/issue/17 kann Ihnen helfen, Namespaces mit wenig Aufwand zu vermeiden
anwenden
xml.replace(' xmlns:', ' xmlnamespace:')
auf Ihre xml vor der Verwendung pyquery so lxml ignorieren Namespaces
In Ihrem Fall versuchen xml.replace(' xmlns="', ' xmlnamespace="')
. Aber man könnte etwas komplexer brauchen, wenn die Zeichenfolge in dem Körper als auch zu erwarten ist.
Sie zeigen das Ergebnis des repr () -Aufruf. Wenn Sie programmatisch durch den Baum bewegen, können Sie wählen einfach den Namensraum zu ignorieren.