Question

我可以将xml文件的内容读取为字符串并使用字符串操作来实现这一点，但我想有更优雅的方法来实现这一点。由于我没有在docus中找到线索，我在这里寻找：

给定一个xml（见下文）文件，你如何计算xml标签，比如示例中的作者标签数，以最优雅的方式 ？我们假设每个作者只出现一次。

<root>
    <author>Tim</author>
    <author>Eva</author>
    <author>Martin</author>
    etc.
</root>

这个xml文件很简单，但是作者并不总是一个接一个地列出，它们之间可能还有其他标记。

Answer 1

如果您想计算所有作者标签：

import lxml.etree
doc = lxml.etree.parse(xml)
count = doc.xpath('count(//author)')

Answer 2

XPath使用count。

Answer 3

必须小心使用模块重新来处理SGML / XML / HTML文本，因为并非所有这些文件的处理都无法使用正则表达式执行（正则表达式无法解析 SGML / HTML / XML文本）

但是在这里，在这个特殊的问题中，在我看来它是可能的（re.DOTALL是强制性的，因为一个元素可以扩展到多行;除此之外，我无法想象任何其他可能的陷阱）

from time import clock
n= 10000
print 'n ==',n,'\n'



import lxml.etree
doc = lxml.etree.parse('xml.txt')

te = clock()
for i in xrange(n):
    countlxml = doc.xpath('count(//author)')
tf = clock()
print 'lxml\ncount:',countlxml,'\n',tf-te,'seconds'



import re
with open('xml.txt') as f:
    ch = f.read()

regx = re.compile('<author>.*?</author>',re.DOTALL)
te = clock()
for i in xrange(n):
    countre = sum(1 for mat in regx.finditer(ch))
tf = clock()
print '\nre\ncount:',countre,'\n',tf-te,'seconds'

结果

n == 10000 

lxml
count: 3.0 
2.84083032899 seconds

re
count: 3 
0.141663256084 seconds

有没有一种优雅的方法来使用python中的lxml来计算xml文件中的标记元素？

3 个答案: