我目前正在学习如何使用elementtree解析xml数据。我收到一条错误消息:ParseError:格式不正确(令牌无效):第1行第2列。
我的代码就在下面,一些xml数据在我的代码之后。
import xml.etree.ElementTree as ET
tree = ET.fromstring("C:\pbc.xml")
root = tree.getroot()
for article in root.findall('article'):
print ' '.join([t.text for t in pub.findall('title')])
for author in article.findall('author'):
print 'Author name: {}'.format(author.text)
for journal in article.findall('journal'): # all venue tags with id attribute
print 'journal'
<?xml version="1.0" encoding="ISO-8859-1"?>
<!DOCTYPE dblp SYSTEM "dblp.dtd">
<dblp>
<article mdate="2002-01-03" key="persons/Codd71a">
<author>E. F. Codd</author>
<title>Further Normalization of the Data Base Relational Model.</title>
<journal>IBM Research Report, San Jose, California</journal>
<volume>RJ909</volume>
<month>August</month>
<year>1971</year>
<cdrom>ibmTR/rj909.pdf</cdrom>
<ee>db/labs/ibm/RJ909.html</ee>
</article>
<article mdate="2002-01-03" key="persons/Hall74">
<author>Patrick A. V. Hall</author>
<title>Common Subexpression Identification in General Algebraic Systems.</title>
<journal>Technical Rep. UKSC 0060, IBM United Kingdom Scientific Centre</journal>
<month>November</month>
<year>1974</year>
</article>
答案 0 :(得分:1)
with open("C:\pbc.xml", 'rb') as f:
root = ET.fromstring(f.read().strip())
与ET.parse
不同,ET.fromstring
需要一个包含XML内容的字符串,而不是文件名。
与ET.parse
相反,ET.fromstring
返回根元素,而不是树。所以你应该省略
root = tree.getroot()
此外,您发布的XML代码段需要关闭</dblp>
才能解析。我假设您的真实数据有结束标记......
xml.etree.ElementTree
提供的iterparse没有tag
参数,尽管lxml.etree.iterparse
确实有tag
参数。
尝试:
import xml.etree.ElementTree as ET
import htmlentitydefs
filename = "test.xml"
# http://stackoverflow.com/a/10792473/190597 (lambacck)
parser = ET.XMLParser()
parser.entity.update((x, unichr(i)) for x, i in htmlentitydefs.name2codepoint.iteritems())
context = ET.iterparse(filename, events = ('end', ), parser=parser)
for event, elem in context:
if elem.tag == 'article':
for author in elem.findall('author'):
print 'Author name: {}'.format(author.text)
for journal in elem.findall('journal'): # all venue tags with id attribute
print(journal.text)
elem.clear()
注意:要使用iterparse
,您的XML必须有效,这意味着文件开头不能有空行。
答案 1 :(得分:1)
您使用.fromstring()
代替.parse()
:
import xml.etree.ElementTree as ET
tree = ET.parse("C:\pbc.xml")
root = tree.getroot()
期望 .fromstring()
以字节串形式提供XML数据,而不是文件名。
如果文档非常大(很多兆字节或更多),那么您应该使用ET.iterparse()
function代替并清除已处理的元素:
for event, article in ET.iterparse('C:\\pbc.xml', tag='article'):
for title in aarticle.findall('title'):
print 'Title: {}'.format(title.txt)
for author in article.findall('author'):
print 'Author name: {}'.format(author.text)
for journal in article.findall('journal'):
print 'journal'
article.clear()
答案 2 :(得分:0)
最好不要将xml文件的元信息放入解析器中。如果标签关闭良好,解析器就能很好地完成。因此解析器可能无法识别<?xml
。因此省略前两行并再试一次。 : - )