Question

我在使用python解析XML文件时遇到问题，即 - 语法。

我的XML文件看起来像这样：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE chunkList SYSTEM "ccl.dtd">
<chunkList>
 <chunk id="ch1" type="p">
  <sentence id="s1">
   <tok>
    <orth>dzisiaj</orth>
    <lex disamb="1"><base>dzisiaj</base><ctag>adv:pos</ctag></lex>
   </tok>
   <tok>
    <orth>uczę</orth>
    <lex disamb="1"><base>uczyć</base><ctag>fin:sg:pri:imperf</ctag></lex>
    <prop key="sense:ukb:syns_id">1449</prop>
    <prop key="sense:ukb:syns_rank">1449/0.3151019143 52662/0.2635524432 58124/0.2227816629 58122/0.1985639796</prop>
    <prop key="sense:ukb:unitsstr">szkolić.1(29:cumy) nauczać.1(29:cumy) kształcić.1(29:cumy) edukować.1(29:cumy) uczyć.1(29:cumy)</prop>
   </tok>
   <tok>
    <orth>się</orth>
    <lex disamb="1"><base>się</base><ctag>qub</ctag></lex>
   </tok>
   <tok>
    <orth>o</orth>
    <lex disamb="1"><base>o</base><ctag>prep:acc</ctag></lex>
   </tok>
   <tok>
    <orth>świecie</orth>
    <lex disamb="1"><base>świat</base><ctag>subst:sg:loc:m3</ctag></lex>
    <prop key="sense:ukb:syns_id">7826</prop>
    <prop key="sense:ukb:syns_rank">7826/0.1761356163 43462/0.1512730526 8139/0.1506959982 8361/0.1446884158 3331/0.1435643398 10819/0.1251661757 3332/0.1084764017</prop>
    <prop key="sense:ukb:unitsstr">cywilizacja.1(11:grp) krąg_kulturowy.1(11:grp) kultura.3(11:grp) krąg_cywilizacyjny.1(17:rsl) świat.2(11:grp)</prop>
   </tok>
  </sentence>
 </chunk>
</chunkList>

我需要的是一个包含元组的列表，其中包含两个值<orth>和<prop key="sense:ukb:syns_id">。每个元组都适用于每个<tok>标记。所以，例如对于第二个<tok>，我需要像(uczę, 1449)这样的结果。

我写过关于我认为它应该如何工作的伪代码，但我不知道如何使用ET实现它。

这是：

ResultArray=[]

def treeSearch(root):
    for element in root:
        if element == 'tok':
            temp1=0
            temp2=0
            for tokens in element:
                if token == 'orth':
                    temp1=token.value()
                if token == 'prop key="sense:ukb:syns_id"':
                    temp2=token.value()
            tempTuple=(temp1,temp2)
            resultArray.append(tempTuple)

    return ResultArray

Answer 1

使用xml.etree.ElementTree模块：

import xml.etree.ElementTree as ET

root = ET.parse('input.xml').getroot()
result = []
for tok in root.findall('.//tok'):
    result.append((tok.findtext('orth'), tok.findtext('prop[@key="sense:ukb:syns_id"]') or 0))

print(result)

输出：

[('dzisiaj', 0), ('uczę', '1449'), ('się', 0), ('o', 0), ('świecie', '7826')]

详细说明：

for tok in root.findall('.//tok'): - 遍历所有<tok>代码
tok.findtext('orth') - 将获取<orth>代码的文字内容，其中包含当前已处理的<tok>代码
tok.findtext('prop[@key="sense:ukb:syns_id"]') or 0 - 获取具有指定<prop>属性的key标记的文字内容。如果它不存在 - 将值保留为零0

在python中使用cElementTree解析XML

1 个答案: