Question

我正在尝试解析此XSD文件（当前在python中尝试），以获取元素名称和数据内容的描述。

示例XSD：

<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema" elementFormDefault="qualified" attributeFormDefault="unqualified" version="07112016">
    <xs:annotation>
        <xs:documentation>Level 1: top level of Procurement Data Standard for a procurement instrument document.</xs:documentation>
    </xs:annotation>
    <xs:element name="ProcurementDocument">
        <xs:annotation>
            <xs:documentation>The root element for any procurement instrument document</xs:documentation>

这里它将抓取name: ProcurementDocument和desc:The root element for any procurement instrument document。

here是我尝试使用正则表达式将其提取的更多数据。当我minified全部都放在一条线上但仍然没有拉动所有实例时，我获得了更大的成功。

这是我尝试使用的完整代码，用于从缩小的XSD中获取所有案例，但仅发现了我试图找到的〜1500个案例中的〜120个。

import re
import pandas as pd

df = pd.DataFrame({'Names': [ ], 'Description': [ ]})

search_str = r"name=\"(?P<name>\w+)\"\>[\w\<\/\.\>\d:]+documentation\>(?P<desc>[\w\s\.]+)\<\/"
file1 = 'mini_text.xml'

with open(file1, 'r') as f:
    xml_string = f.read()
idx = 0
for m in re.finditer(search_str, xml_string):
    df.loc[idx, 'Names'] = m.group('name')
    df.loc[idx, 'Description'] = m.group('desc')
    idx += 1

df.to_csv('output.txt', index=False, sep="\t")

Answer 1

您应该避免使用正则表达式解析xml / html / json，因为正则表达式不足以解析嵌套结构。

您的正则表达式不能捕获文本中所有名称和描述实例的原因是，您选择用于捕获描述[\w\s\.]+的字符集还不够，因为在描述中存在诸如括号{ {1}}，因此预期的进一步匹配失败。尝试将(see list)更改为[\w\s\.]+，然后它将起作用。检查下面您更新的regex101演示链接。

Working Demo of your modified regex

编辑：该示例示例显示如何使用Beautiful Soup解析xml以获取所需信息

.+?

根据需要打印名称和描述，

import re
from bs4 import BeautifulSoup

data = '''<xs:element name="ProductDescription"><xs:annotation><xs:documentation>Provides the description of the product</xs:documentation></xs:annotation><xs:complexType><xs:sequence><xs:element name="ProductName"><xs:annotation><xs:documentation>Provides a name for the product. (see list)</xs:documentation></xs:annotation><xs:simpleType><xs:restriction base="xs:token"><xs:enumeration value="Barbie Doll"/><xs:enumeration value="Ken Doll"/></xs:restriction></xs:simpleType></xs:element><xs:element name="ProductSize"><xs:annotation><xs:documentation>Describes the size of the product. (see list)</xs:documentation></xs:annotation><xs:simpleType><xs:restriction base="xs:token"><xs:enumeration value="Small"/><xs:enumeration value="Medium"/><xs:enumeration value="Large"/><xs:enumeration value="Dayum"/></xs:restriction></xs:simpleType></xs:element></xs:sequence></xs:complexType></xs:element>'''

soup = BeautifulSoup(data)

for element in soup.find_all('xs:element'):
 print(element['name'])  # prints name attribute value
 print(element.find('xs:documentation').get_text(),'\n')  # prints inner text of xs:documentation tag

解析XSD文件以获取名称和描述

示例XSD：

1 个答案: