通过'ElementTree'在Python中解析带有命名空间的XML

Question

我有以下XML,我想用Python解析ElementTree:

<rdf:RDF xml:base="http://dbpedia.org/ontology/"
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:owl="http://www.w3.org/2002/07/owl#"
    xmlns:xsd="http://www.w3.org/2001/XMLSchema#"
    xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"
    xmlns="http://dbpedia.org/ontology/">

    <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague">
        <rdfs:label xml:lang="en">basketball league</rdfs:label>
        <rdfs:comment xml:lang="en">
          a group of sports teams that compete against each other
          in Basketball
        </rdfs:comment>
    </owl:Class>

</rdf:RDF>

我想找到所有owl:Class标签,然后提取其中所有rdfs:label实例的值.我使用以下代码:

tree = ET.parse("filename")
root = tree.getroot()
root.findall('owl:Class')

由于命名空间,我收到以下错误.

SyntaxError: prefix 'owl' not found in prefix map

我尝试在http://effbot.org/zone/element-namespaces.htm上阅读该文档,但由于上述XML具有多个嵌套命名空间,因此我仍然无法正常工作.

请告诉我如何更改代码以查找所有owl:Class标签.

Answer 1

ElementTree对名称空间并不太聪明.您需要为.find(),findall()和iterfind()方法提供显式命名空间字典.这没有记录得很好:

namespaces = {'owl': 'http://www.w3.org/2002/07/owl#'} # add more as needed

root.findall('owl:Class', namespaces)

只在namespaces您传入的参数中查找前缀.这意味着您可以使用任何您喜欢的命名空间前缀; API拆分owl:部件,在namespaces字典中查找相应的命名空间URL ,然后更改搜索以查找XPath表达式{http://www.w3.org/2002/07/owl}Class.当然,您也可以自己使用相同的语法:

root.findall('{http://www.w3.org/2002/07/owl#}Class')

如果你可以切换到lxml图书馆,事情会更好; 该库支持相同的ElementTree API,但.nsmap在元素的属性中为您收集名称空间.

Answer 2

以下是如何使用lxml执行此操作而无需对命名空间进行硬编码或扫描文本(如Martijn Pieters所提到的):

from lxml import etree
tree = etree.parse("filename")
root = tree.getroot()
root.findall('owl:Class', root.nsmap)

Answer 3

注意:这是一个对Python的ElementTree标准库有用的答案,不使用硬编码命名空间.

要从XML数据中提取名称空间的前缀和URI,您可以使用ElementTree.iterparse函数,仅解析名称空间启动事件(start-ns):

>>> from io import StringIO
>>> from xml.etree import ElementTree
>>> my_schema = u'''<rdf:RDF xml:base="http://dbpedia.org/ontology/"
...     xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
...     xmlns:owl="http://www.w3.org/2002/07/owl#"
...     xmlns:xsd="http://www.w3.org/2001/XMLSchema#"
...     xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"
...     xmlns="http://dbpedia.org/ontology/">
... 
...     <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague">
...         <rdfs:label xml:lang="en">basketball league</rdfs:label>
...         <rdfs:comment xml:lang="en">
...           a group of sports teams that compete against each other
...           in Basketball
...         </rdfs:comment>
...     </owl:Class>
... 
... </rdf:RDF>'''
>>> my_namespaces = dict([
...     node for _, node in ElementTree.iterparse(
...         StringIO(my_schema), events=['start-ns']
...     )
... ])
>>> from pprint import pprint
>>> pprint(my_namespaces)
{'': 'http://dbpedia.org/ontology/',
 'owl': 'http://www.w3.org/2002/07/owl#',
 'rdf': 'http://www.w3.org/1999/02/22-rdf-syntax-ns#',
 'rdfs': 'http://www.w3.org/2000/01/rdf-schema#',
 'xsd': 'http://www.w3.org/2001/XMLSchema#'}

然后字典可以作为参数传递给搜索函数:

root.findall('owl:Class', my_namespaces)

Answer 4

要以命名空间格式获取命名空间，例如{myNameSpace}，您可以执行以下操作：

root = tree.getroot()
ns = re.match(r'{.*}', root.tag).group(0)

这样，您可以稍后在代码中使用它来查找节点，例如使用字符串插值（Python 3）。

link = root.find(f"{ns}link")

Answer 5

我一直在使用类似的代码,并发现它总是值得阅读文档...像往常一样!

findall()只会找到当前标记的直接子元素.所以,不是全部.

在尝试使用以下代码时,可能值得您使用,特别是如果您正在处理大而复杂的xml文件,以便还包括子子元素(等).如果你知道你的xml中的元素在哪里,那么我想它会没事的!只是觉得这值得记住.

root.iter()

ref:https://docs.python.org/3/library/xml.etree.elementtree.html#finding-interesting-elements "Element.findall()仅查找带有标签的元素,这些元素是当前元素的直接子元素. Element.find()查找具有特定标记的第一个子元素,Element.text访问元素的文本内容.Element.get()访问元素的属性:"