检查并删除XML

时间:2016-05-07 14:05:29

标签: python xml parsing elementtree

我在python中通过Element Tree解析类似XML的文件,并将内容写入pandas数据帧。

我目前面临以下问题:对于不同的标签,子标签的存在将是不同的。这对于提到here的解决方案来说不是问题。然而,复杂的部分是一些标签有重复的儿童标签,而其他标签没有。例如,第一个产品标签有两个(不同的)商品编号和两个相同的product_types(重复),而第二个产品标签只有一个。

<main>
    <product>
       <article_nr>B00024J7C6</article_nr>
       <article_nr>44253</article_nr>
       <product_type>x</product_type>
       <product_type>x</product_type>
    </product>

    <product>
       <article_nr>B00024J7C7</article_nr>
       <product_type>y</product_type>
    </product>
</main>

我想做的是: 1.)删除&quot; product_type&#39;的重复项。和 2.)如果不存在第二个article_nr则设置值NULL,否则取值。

到目前为止我的代码:

def create_dataframe(data):
    df = pd.DataFrame(columns=('article_nr', 'article_nr2', 'product_type', 'product_type2','product_type2'))
    for i in range(len(data)):
        obj = data.getchildren()[i].getchildren()
        row = dict(itertools.izip(['article_nr', 'article_nr2', 'product_type', 'product_type2','product_type2'], 
                       [obj[0].text, obj[1].text, obj[2].text, obj[3].text, obj[4].text]))
        row_s = pd.Series(row)
        row_s.name = i
        df = df.append(row_s)
    return df

这适用于第一个示例,但显然不适用于第二个示例,因为第二个&#39; article_nr&#39;没有值。和&#39; product_type&#39;。

输出应为:

article_nr    article_nr    product_type
B00024J7C6    44253           x
B00024J7C7    NULL            y

1 个答案:

答案 0 :(得分:2)

看看Python remove duplicate elements from xml tree,也许它可以帮到你。 有些事情是这样的:

import xml.etree.ElementTree as ET
path = 'in.xml'
tree = ET.parse(path)
root = tree.getroot()
prev = None

def elements_equal(e1, e2):
    if type(e1) != type(e2):
        return False
    if e1.tag != e1.tag: return False
    if e1.text != e2.text: return False
    if e1.tail != e2.tail: return False
    if e1.attrib != e2.attrib: return False
    if len(e1) != len(e2): return False
    return all([elements_equal(c1, c2) for c1, c2 in zip(e1, e2)])

for page in root:                     # iterate over pages
    elems_to_remove = []
    for elem in page:
        if elements_equal(elem, prev):
            print("found duplicate: %s" % elem.text)   # equal function works well
            elems_to_remove.append(elem)
            continue
        prev = elem
    for elem_to_remove in elems_to_remove:
        page.remove(elem_to_remove)
tree.write("out.xml")