Usar lxml para extraer datos donde no se conocen todos los elementos de antemano
Pregunta
Tengo algunos archivos sgml que están más o menos estandarizados.Sin embargo, puede haber datos contenidos dentro de una etiqueta que no sé que existen antes de abrir el archivo y leerlo personalmente.Por ejemplo, los archivos tienen direcciones y generalmente las direcciones tienen una calle, una ciudad, un estado, un zip y un teléfono.Cada elemento de la dirección se indica con una etiqueta.
<ADDRESS>
<STREET>One Main Street
<CITY>Gotham City
<ZIP>99999 0123
<PHONE>555-123-5467
</ADDRESS>
Pero, por ejemplo, he descubierto que hay etiquetas para País, CALLE1, CALLE2.Tengo más de 200.000 archivos para procesar y quiero saber si es posible extraer todos los elementos de las direcciones sin tener que preocuparme por saber la existencia de etiquetas desconocidas.
Lo que he hecho hasta ahora es
h=fromstring(my_data_in_a_string)
for each in h.cssselect('mail_address'):
each.text_content()
pero lo que obtengo es problemático porque no puedo identificar dónde termina un elemento y comienza el siguiente
One Main StreetGotham City99999 0123555-123-5467
Solución
Para obtener todas las etiquetas, que iter a través del documento de la siguiente manera:
Suponga que su estructura XML es la siguiente:
<ADDRESS>
<STREET>One Main Street</STREET>
<CITY>Gotham City</CITY>
<ZIP>99999 0123</ZIP>
<PHONE>555-123-5467</PHONE>
</ADDRESS>
analizarlo:
>>> from lxml import etree
>>> f = etree.parse('foo.xml') # path to XML file
>>> root = f.getroot() # get the root element
>>> for tags in root.iter(): # iter through the root element
... print tags.tag # print all the tags
...
ADDRESS
STREET
CITY
ZIP
PHONE
Ahora supongamos que el XML tiene etiquetas adicionales así; etiquetas que no son conscientes de. Puesto que estamos iterando a través del XML, el código anterior devolverá dichas etiquetas.
<ADDRESS>
<STREET>One Main Street</STREET>
<STREET1>One Second Street</STREET1>
<CITY>Gotham City</CITY>
<ZIP>99999 0123</ZIP>
<PHONE>555-123-5467</PHONE>
<COUNTRY>USA</COUNTRY>
</ADDRESS>
Los rendimientos código anterior:
ADDRESS
STREET
STREET1
CITY
ZIP
PHONE
COUNTRY
Ahora bien, si queremos obtener el texto de las etiquetas, el procedimiento es el mismo. Sólo imprimir tag.text como esto:
>>> for tags in root.iter():
... print tags.text
...
One Main Street
One Second Street
Gotham City
99999 0123
555-123-5467
USA