Question

我正在寻找一种方法将xml文件中的所有可用信息提取到平面文件或数据库。

例如

<r>
                <P>
                    <color val="1F497D"/>
                </P>
                <t val="123" val2="234">TEST REPORT</t>
</r>

我希望这个为

r
P
color,val,1f497d
t,val,123
t,val2,234

有关如何在python中进行此操作的任何指示？

Answer 1

然后安装lxml：

>>> from lxml import etree
>>> parser = etree.XMLParser(remove_blank_text=True)
>>> parsed_xml = etree.XML(s,parser)
>>> for i in parsed_xml.iter('*'):
...    print i.tag
...    for x in i.items():
...       print '%s,%s' % (x[0],x[1])
...
r
P
color
val,1F497D
t
val,123
val2,234

我会留给你格式化输出。

Answer 2

我认为最好的办法是使用BeautifulSoup

e.g。（来自他们的docs）：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)
soup.title
# <title>The Dormouse's story</title>
soup.p['class']
# u'title'
for link in soup.find_all('a'):
    print(link.get('href'))
# http://example.com/elsie
# http://example.com/lacie
# http://example.com/tillie

您还可以查看lxml，它既简单又高效，而且它就是BeautifulSoup的基础。具体来说，您可能需要查看this page。

Answer 3

我不确定你为什么要这样做，但是你应该看一下lxml或BeautifulSoup的Python。

或者，如果您只是想要它与上面提到的形式完全相同：

def parse_html(html_string):
    import re
    fields = re.findall(r'(?<=\<)[\w=\s\"\']+?(?=\/?\>)', html_string)
    out = []
    for field in fields:
        tag = re.match(r'(?P<tag>\w+?) ?', field).group('tag')
        attrs = re.findall(r' (\w+?)\=[\"\'](.+?)[\"\']', field)
        if attrs:
            for x in attrs:
                out.append(','.join([tag] + list(x)))
        else:
            out.append(tag)

    print '\n'.join(out)

这有点超过顶部，这就是为什么你通常应该使用lxml或BeautifulSoup，但它完成了这个特定的工作。

我上述计划的输出：

r
P
c,val,1F497D
t,val,123
t,val2,234

提取xml标记名称，属性和值

3 个答案: