Использование LXML для извлечения данных, где все элементы не известны заранее

StackOverflow https://stackoverflow.com/questions/4201562

  •  25-09-2019
  •  | 
  •  

Вопрос

У меня есть несколько файлов SGML, которые примерно стандартизированы. Тем не менее, могут быть данные, содержащиеся в теге, что я не знаю, не знает, прежде чем открыть файл и лично прочитать его. Например, файлы имеют адреса и вообще адреса имеют улицу, город, государство, ZIP и телефон. Каждый элемент адреса указан с тегом

 <ADDRESS>
 <STREET>One Main Street
 <CITY>Gotham City
 <ZIP>99999 0123
 <PHONE>555-123-5467
 </ADDRESS>

Но, например, я обнаружил, что есть теги для страны, Street1, Street2. У меня более 200 тысяч файлов для обработки, и я хочу знать, можно ли вытащить все элементы адресов, не беспокоясь о том, чтобы знать существование неизвестных тегов.

Что я сделал до сих пор 

h=fromstring(my_data_in_a_string)
for each in h.cssselect('mail_address'):
    each.text_content()

Но то, что я получаю проблематично, потому что я не могу определить, где один элемент заканчивается, а следующий начинается

One Main StreetGotham City99999 0123555-123-5467
Это было полезно?

Решение

Чтобы получить все теги, мы ейте через документ, как это:

Предположим, что ваша структура XML подобна этому:

<ADDRESS>
 <STREET>One Main Street</STREET>
 <CITY>Gotham City</CITY>
 <ZIP>99999 0123</ZIP>
 <PHONE>555-123-5467</PHONE>
 </ADDRESS>

Мы разбираем это:

>>> 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

Теперь предположим, что ваш XML имеет дополнительные теги; Теги, о которых вы не знаете. Поскольку мы итерация через XML, вышеуказанный код также вернет эти теги.

<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>

Приведенный выше код возвращается:

ADDRESS
STREET
STREET1
CITY
ZIP
PHONE
COUNTRY

Теперь, если мы хотим получить текст тегов, процедура одинакова. Просто распечатайте тег. Text Text:

>>> for tags in root.iter():
...     print tags.text
... 

One Main Street
One Second Street
Gotham City
99999 0123
555-123-5467
USA
Лицензировано под: CC-BY-SA с атрибуция
Не связан с StackOverflow
scroll top