Question

忽略以下文本段落

XML代码是万维网联盟（W3C）的正式建议，与超文本标记语言（HTML）类似。 XML和HTML都包含描述页面或文件内容的标记符号。 HTML代码仅以显示和交互方式来描述网页内容（主要是文本和图形图像）。

XML数据被称为自描述或自定义，这意味着数据的结构是与数据一起嵌入的，因此，当数据到达时，无需预先构建用于存储数据的结构。在XML中可以动态地理解它。 XML格式可由希望以一致方式共享信息的任何个人或团体或公司使用。 XML实际上是标准通用标记语言（SGML）的一种更简单易用的子集，它是创建文档结构的标准。

因此，因为我使用了下面的代码来提取所有5个字段。

import requests
from bs4 import BeautifulSoup
import lxml

soup = BeautifulSoup(contents,'lxml') 

a=[v.get_text() for v in soup.select('cia')]
v=[v.get_text() for v in soup.select('civ')]
p=[v.get_text() for v in soup.select('cip')]
y=[v.get_text() for v in soup.select('ciy')]
t=[v.get_text() for v in soup.select('cit')]
print (a)
print (v)
print (p)
print (y)
print (t)

Answer 1

您可以尝试这样的操作：创建一个生成器，该生成器将从存储在字典中的XML文件中产生值。 XML文件中缺少的值将在此字典中存储为“空白”：

from bs4 import BeautifulSoup

data = """<CI_INFO>
  <CI_JOURNAL>
    <CI_AUTHOR>CAMPBELL D</CI_AUTHOR>
    <CI_VOLUME>0079</CI_VOLUME>
    <CI_PAGE>00034</CI_PAGE>
    <CI_YEAR>2013</CI_YEAR>
    <CI_TITLE> <![CDATA[ ALASKA MAGAZINE FEB ]]></CI_TITLE>
  </CI_JOURNAL>

  <CI_JOURNAL>
    <CI_AUTHOR>BURKE CH</CI_AUTHOR>
    <CI_YEAR>1961</CI_YEAR>
    <CI_TITLE> <![CDATA[ DOCTOR HAP ]]> </CI_TITLE>
  </CI_JOURNAL>


  <CI_JOURNAL>
    <CI_YEAR>1905</CI_YEAR>
    <CI_TITLE> <![CDATA[ REPORT GOVERNOR ALAS ]]></CI_TITLE>
  </CI_JOURNAL>
</CI_INFO>"""


def parse_data(soup):
    _text = lambda soup, name: soup.find(name).text.strip() if soup.find(name) else 'Blank'
    for j in soup.select('CI_JOURNAL'):
        d = {}
        d['author'] = _text(j, 'CI_AUTHOR')
        d['vol'] = _text(j, 'CI_VOLUME')
        d['page'] = _text(j, 'CI_PAGE')
        d['year'] = _text(j, 'CI_YEAR')
        d['title'] = _text(j, 'CI_TITLE')
        yield d

for info in parse_data(BeautifulSoup(data, 'xml')):
    print(info['author'])
    print(info['vol'])
    print(info['page'])
    print(info['year'])
    print(info['title'])
    print('-' * 80)

这将打印：

CAMPBELL D
0079
00034
2013
ALASKA MAGAZINE FEB
--------------------------------------------------------------------------------
BURKE CH
Blank
Blank
1961
DOCTOR HAP
--------------------------------------------------------------------------------
Blank
Blank
Blank
1905
REPORT GOVERNOR ALAS
--------------------------------------------------------------------------------

编辑：

如果要分隔列，可以执行以下操作：

author, vol, page, year, title = [], [], [], [], []
for d in parse_data(BeautifulSoup(data, 'xml')):
    author.append(d['author'])
    vol.append(d['vol'])
    page.append(d['page'])
    year.append(d['year'])
    title.append(d['title'])

print(author)
print(vol)
print(page)
print(year)
print(title)

此打印：

['CAMPBELL D', 'BURKE CH', 'Blank']
['0079', 'Blank', 'Blank']
['00034', 'Blank', 'Blank']
['2013', '1961', '1905']
['ALASKA MAGAZINE FEB', 'DOCTOR HAP', 'REPORT GOVERNOR ALAS']

编辑：

要使用'\t'进行打印，可以使用以下代码：

print('>\t' + str(author))
print('\t' + str(vol))
print('\t' + str(page))
print('\t' + str(year))
print('\t' + str(title))

这将打印：

>   ['CAMPBELL D', 'BURKE CH', 'Blank']
    ['0079', 'Blank', 'Blank']
    ['00034', 'Blank', 'Blank']
    ['2013', '1961', '1905']
    ['ALASKA MAGAZINE FEB', 'DOCTOR HAP', 'REPORT GOVERNOR ALAS']

Python：如果XML标记不存在，则需要与输出一起打印“空白”

1 个答案: