Question

我有一些xml：

<sporsmal_liste>
    <sporsmal>
        <versjon>1.0</versjon>
        <besvart_av>
            <versjon>1.0</versjon>
            <doedsdato>0001-01-01T00:00:00</doedsdato>
            <etternavn>Giske</etternavn>
            <foedselsdato>1966-11-07T00:00:00</foedselsdato>
            <fornavn>Trond</fornavn>
            <id>TG</id>
            <kjoenn>mann</kjoenn>
        </besvart_av>
       <besvart_av_minister_id>NHD</besvart_av_minister_id>
       <besvart_av_minister_tittel>nærings- og handelsministeren</besvart_av_minister_tittel>
       <besvart_dato>2010-10-11T00:00:00</besvart_dato>
       <besvart_pa_vegne_av i:nil="true"/>
       <besvart_pa_vegne_av_minister_id i:nil="true"/>
       <besvart_pa_vegne_av_minister_tittel i:nil="true"/>
       <datert_dato>2010-09-30T00:00:00</datert_dato>
       <emne_liste/>
       <flyttet_til>ikke_spesifisert</flyttet_til>
       <fremsatt_av_annen i:nil="true"/>
       <id>47703</id>
       <rette_vedkommende i:nil="true"/>
       <rette_vedkommende_minister_id i:nil="true"/>
       <rette_vedkommende_minister_tittel i:nil="true"/>
       <sendt_dato>2010-10-01T00:00:00</sendt_dato>
       <sesjon_id>2009-2010</sesjon_id>
       <sporsmal_fra>
           <versjon>1.0</versjon>
           <doedsdato>0001-01-01T00:00:00</doedsdato>
           <etternavn>Nørve</etternavn>
           <foedselsdato>1951-03-29T00:00:00</foedselsdato>
           <fornavn>Elisabeth Røbekk</fornavn>
           <id>ELN</id>
           <kjoenn>kvinne</kjoenn>
           <fylke>
               <versjon>1.0</versjon>
               <id>MR</id>
               <navn>Møre og Romsdal</navn>
          </fylke>
          <parti>
              <versjon>1.0</versjon>
              <id>H</id>
              <navn>Høyre</navn>
          </parti>
     </sporsmal_fra>
     <sporsmal_nummer>1808</sporsmal_nummer>
     <sporsmal_til>
         <versjon>1.0</versjon>
         <doedsdato>0001-01-01T00:00:00</doedsdato>
         <etternavn>Giske</etternavn>
         <foedselsdato>1966-11-07T00:00:00</foedselsdato>
         <fornavn>Trond</fornavn>
         <id>TG</id>
         <kjoenn>mann</kjoenn>
     </sporsmal_til>
     <sporsmal_til_minister_id>NHD</sporsmal_til_minister_id>
     <sporsmal_til_minister_tittel>nærings- og handelsministeren</sporsmal_til_minister_tittel>
     <status>besvart</status>
     <tittel>Jeg viser til ... [longer text a have shortend..]</tittel>
     <type>skriftlig_sporsmal</type>
</sporsmal>
<sporsmal>   ... another sporsmal (question) </sporsmal>
<sporsmal> en the next one.... </sporsmal>
..more of these..
</sporsmal_liste>

到目前为止，我已经处理了这个：

from bs4 import BeautifulSoup

soup = BeautifulSoup(r.content) # where r.content is the xml (result from requests.get(url))

for question in soup.find_all('sporsmal'):
    # to get the id of the person this is a question to (sporsmal_til) I would:
    print question.sporsmal_fra.id.text

这是有效的。它会返回 ELN ，即提出问题的人的ID。问题在于项目本身的ID（＆lt; sporsmal＆gt;），它是 47703 ，但我似乎不能“正常”：

for question in soup.find_all('sporsmal'):
    print question.id.text  #this returns **TG**

和'TG'应该是

的结果

question.besvart_av.id.text 
# answered by

或

question.sporsmal_til.id.text 
# question for
# it's the same dude that is asked to answer, and who answers the question

它是。这两个都返回 TG ，但是：

question.id.text

应该返回 47703 ，但事实并非如此。（或者我怎么能得到身份证47703？）

那我在这里做错了什么？

PS：因为我在这里的xml可能是一些令非常挪威人感到困惑的东西，所以我编辑并选择了其他字段，在我的例子中名字较少混淆。

Answer 1

我从这个问题中学到了一些东西。当你执行soup.<something>时，与你期望的不同，这是一个递归调用。这就是为什么它给你ID“TG”，递归地它是第一个遇到的。

所以根据我的理解，你可以在同一级别进行搜索：

>>> for q in soup.find_all("sporsmal"):
...     print q.find("id", recursive=False).text
... 
47703
>>> for q in soup.find_all("sporsmal"):
...     print q.find("id", recursive=True).text
... 
TG
>>> for q in soup.find_all("sporsmal"):
...     print q.find("id").text # By default, the recursive call is true.
... 
TG

我认为它是递归的一些原因：

>>> soup.id
<id>TG</id>

如果它不是递归的，则由于sporsmal没有标记为kjoenn的子项，因此以下操作会失败。这证明它是递归的。

>>> soup.sporsmal.kjoenn
<kjoenn>mann</kjoenn>

Answer 2

这是第一个问题：您正在使用HTML解析器来解析XML。由于这不是明确定义的HTML，因此对结构感到困惑。要parse XML with BeautifulSoup，你需要安装lxml，然后像这样初始化汤：

soup = BeautifulSoup(r.content, "xml")

然而，至少还有一个问题，因为它也没有正确解析它。如果我搞清楚会更新。

使用BeautifulSoup解析xml：具有相同名称的多个标记 - 如何找到正确的ID

2 个答案: