我正在尝试解析OpenOffice ODS电子表格中的内容。 ods格式本质上只是一个包含许多文档的zipfile。电子表格的内容存储在'content.xml'中。
import zipfile
from lxml import etree
zf = zipfile.ZipFile('spreadsheet.ods')
root = etree.parse(zf.open('content.xml'))
电子表格的内容位于单元格中:
table = root.find('.//{urn:oasis:names:tc:opendocument:xmlns:table:1.0}table')
我们也可以直接寻找行:
rows = root.findall('.//{urn:oasis:names:tc:opendocument:xmlns:table:1.0}table-row')
各个元素知道命名空间:
>>> table.nsmap['table']
'urn:oasis:names:tc:opendocument:xmlns:table:1.0'
如何在find / findall中直接使用命名空间?
显而易见的解决方案不起作用。
尝试从表中获取行:
>>> root.findall('.//table:table')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "lxml.etree.pyx", line 1792, in lxml.etree._ElementTree.findall (src/lxml/lxml.etree.c:41770)
File "lxml.etree.pyx", line 1297, in lxml.etree._Element.findall (src/lxml/lxml.etree.c:37027)
File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 225, in findall
return list(iterfind(elem, path))
File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 200, in iterfind
selector = _build_path_iterator(path)
File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 184, in _build_path_iterator
selector.append(ops[token[0]](_next, token))
KeyError: ':'
答案 0 :(得分:20)
如果root.nsmap
包含table
命名空间前缀,那么您可以:
root.xpath('.//table:table', namespaces=root.nsmap)
findall(path)
接受{namespace}name
语法而不是namespace:name
。因此,path
应使用命名空间字典对{namespace}name
表单进行预处理,然后再将其传递给findall()
。
答案 1 :(得分:11)
这是一种获取XML文档中所有命名空间的方法(假设没有前缀冲突)。
我在解析XML文档时使用它,我事先知道命名空间URL是什么,只有前缀。
doc = etree.XML(XML_string)
# Getting all the name spaces.
nsmap = {}
for ns in doc.xpath('//namespace::*'):
if ns[0]: # Removes the None namespace, neither needed nor supported.
nsmap[ns[0]] = ns[1]
doc.xpath('//prefix:element', namespaces=nsmap)
答案 2 :(得分:8)
也许首先要注意的是命名空间 在元素级别定义,而不是文档级别。
但最常见的是,所有名称空间都在文档中声明
root元素(office:document-content
here),它保存我们解析它以收集内部xmlns
范围。
然后元素nsmap包括:
None
前缀(并非总是)如果像ChrisR所提到的那样,不支持默认命名空间, 您可以使用dict comprehension对其进行过滤 用更紧凑的表达方式。
xpath和。的语法略有不同 ElementPath
所以这里是你可以用来获取所有第一个表行的代码
(测试时使用:lxml=3.4.2
):
import zipfile
from lxml import etree
# Open and parse the document
zf = zipfile.ZipFile('spreadsheet.ods')
tree = etree.parse(zf.open('content.xml'))
# Get the root element
root = tree.getroot()
# get its namespace map, excluding default namespace
nsmap = {k:v for k,v in root.nsmap.iteritems() if k}
# use defined prefixes to access elements
table = tree.find('.//table:table', nsmap)
rows = table.findall('table:table-row', nsmap)
# or, if xpath is needed:
table = tree.xpath('//table:table', namespaces=nsmap)[0]
rows = table.xpath('table:table-row', namespaces=nsmap)
答案 3 :(得分:1)
如果XML文件中没有xmlns
定义,则Etree将找不到命名空间元素。例如:
import lxml.etree as etree
xml_doc = '<ns:root><ns:child></ns:child></ns:root>'
tree = etree.fromstring(xml_doc)
# finds nothing:
tree.find('.//ns:root', {'ns': 'foo'})
tree.find('.//{foo}root', {'ns': 'foo'})
tree.find('.//ns:root')
tree.find('.//ns:root')
有时是您得到的数据。那么,当没有名称空间时该怎么办?
我的解决方案:添加一个。
import lxml.etree as etree
xml_doc = '<ns:root><ns:child></ns:child></ns:root>'
xml_doc_with_ns = '<ROOT xmlns:ns="foo">%s</ROOT>' % xml_doc
tree = etree.fromstring(xml_doc_with_ns)
# finds what you're looking for:
tree.find('.//{foo}root')