Question

在使用beautifulsoup4（根据需要安装了lxml）以xml（word / document.xml）的形式解析.docx文件内容时，我遇到了一个问题。这部分来自xml：

    ...
    <a:graphic xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main">
        <a:graphicData uri="http://schemas.openxmlformats.org/drawingml/2006/picture">
            <pic:pic xmlns:pic="http://schemas.openxmlformats.org/drawingml/2006/picture">
    ...

成为这个：

    ...
    <graphic>
        <graphicData uri="http://schemas.openxmlformats.org/drawingml/2006/picture">
            <pic>
    ...

即使我只是解析文件并保存它，也没有任何修改。像这样：

    from bs4 import BeautifulSoup
    soup = BeautifulSoup(open(filepath_in), 'xml')
    with open(filepath_out, "w+") as fd:
        fd.write(str(soup))

或者从python控制台解析xml。

对我而言，它看起来像这样声明的名称空间，不在根文档节点中，被解析器吃掉。

这是一个错误或功能吗？有没有办法在使用beautifulesoup4解析时保留这些？或者我是否需要切换到其他东西？

UPDATE 1：如果使用一些正则表达式和文本替换，我将这些名称空间声明添加到根document节点，然后beautifulsoup解析它就好了。但是我仍然感兴趣，如果在解析之前没有修改xml就可以解决这个问题。

UPDATE 2：稍微玩了一下beutifulsoup后，我发现只有在第一次出现时才会解析名称空间声明。意味着如果tag声明了namespace，那么如果它的子节点具有名称空间声明，则不会对它们进行解析。下面是带有输出的代码示例来说明这一点。

来自bs4 import BeautifulSoup

xmls = []
xmls.append("""<name1:tag xmlns:name1="namespace1" xmlns:name2="namespace2">
<name2:intag>
text
</name2:intag>
</name1:tag>
""")
xmls.append("""<tag>
<name2:intag xmlns:name2="namespace2">
text
</name2:intag>
</tag>
""")
xmls.append("""<name1:tag xmlns:name1="namespace1">
<name2:intag xmlns:name2="namespace2">
text
</name2:intag>
</name1:tag>
""")
for i, xml in enumerate(xmls):
    print "============== xml {} ==============".format(i)
    soup = BeautifulSoup(xml, "xml")
    print soup

会产生输出：

============== xml 0 ==============
<?xml version="1.0" encoding="utf-8"?>
<name1:tag xmlns:name1="namespace1" xmlns:name2="namespace2">
<name2:intag>
text
</name2:intag>
</name1:tag>
============== xml 1 ==============
<?xml version="1.0" encoding="utf-8"?>
<tag>
<name2:intag xmlns:name2="namespace2">
text
</name2:intag>
</tag>
============== xml 2 ==============
<?xml version="1.0" encoding="utf-8"?>
<name1:tag xmlns:name1="namespace1">
<intag>
text
</intag>
</name1:tag>

请参阅前两个xmls如何正确解析，而第三个xmls中的第二个声明被吃掉。

实际上这个问题不再涉及docx了。我的问题四处都是这样的：这个行为是在beautifulsoup4中硬编码的，如果没有，那么我怎么能改变呢？

Answer 1

从W3C建议：

前缀提供限定名称的名称空间前缀部分，必须与名称空间声明中的名称空间URI引用相关联。

https://www.w3.org/TR/REC-xml-names/#ns-qualnames

所以我认为这是预期的行为：丢弃未声明的名称空间，以便优雅地允许对不符合建议的文档进行一些解析。

Answer 2

更改此行：

soup = BeautifulSoup(open(filepath_in), 'xml')

到

soup = BeautifulSoup(open(filepath_in), 'lxml')

或

soup = BeautifulSoup(open(filepath_in), 'html.parser')

使用beautifulsoup4进行xml解析，命名空间问题

2 个答案: