使用 elementree, lxml - 唯一适用于 findall 的 (.//) 通配符 - 不能使用相对路径？

如何解决使用 elementree, lxml - 唯一适用于 findall 的 (.//) 通配符 - 不能使用相对路径？

我有一个高度嵌套的长 xml 文件，我需要解析它并进入一个 Pandas DataFrame。

这是我的 XML：

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE PPP
  SYSTEM 'PPP.DTD'>
<book chg="R" model="AB" >
    <chapter chapnbr="09" chg="U" key="EN49" >
        <effect effrg="Afcd"/>
        <title>HOW TO WIN</title>
        <section chapnbr="09" chg="U" key="Edff" revdate="20100701" sectnbr="102">
            <title>What a start</title>
            <subject chapnbr="09" chg="U" key="Edff" revdate="20100701" sectnbr="102" subjnbr="00">
                <title>1.A</title>
                <pgblk chapnbr="09" chg="U" confnbr="00" key="Edff00" pgblknbr="00" revdate="20200701" sectnbr="102" subjnbr="00">
                    <effect effrg="12"/>
                    <title>1.A.i) Plan Ahead for the worst</title>
                    <prclist1>
                        <prcitem1 adns-numbering="8" adns-title="learning my way with help of good people" >
                            <effect effrg="Edff"/>
                            <prcitem asFragment="true">
                                <title>1.A.i) Plan Ahead for the worst</title>
                                <para>It was a cold January night,and I had too much whisky. 
                                    <refblock>
                                        09-102-00
                                        <refint rrr="22,445,555,555" refid="Edff0898">
                                            <effect effrg="Edff0899"/>
                                            0910200</refint>
                                    </refblock>. </para>
                                <para>In more usual circumstances,I possesed the self-control. Not this time 
                                    <refblock>
                                        09-102-00-1111
                                        <refint rrr="sdf,2323,2323" refid="Edff123">
                                            <effect effrg="Edff12434"/>
                                            09-102-00</refint>
                                    </refblock>. </para>
                            </prcitem>
                        </prcitem1>
                    </prclist1>
                </pgblk>
            </subject>
        </section>
    </chapter>
</book>

由于我不知道的原因，我无法使用相对 XPath 进行提取。只有 findall('.//') 有效，但当然会输出完整的文件。

在高层次上，我可以解析 xml

from lxml import etree

tree = etree.parse('file.xml')
root = tree.getroot()

我还可以获得每个元素的绝对路径：

for e in root.iter():
    print(tree.getpath(e))

给出（下面是一个示例，我的实际 xml 嵌套更多，输出 x3 倍于下面的路径）：

/book
/book/chapter
/book/chapter/effect
/book/chapter/title
/book/chapter/section
/book/chapter/section/title
/book/chapter/section/subject

然后我需要从 xml 的特定区域中提取标签和文本

但是，如果尝试使用绝对路径或相对路径，则字典输出 d 仍为空。

d={}

for item in root.findall('./section/title'): 
    d[item.tag] = item.text

相同

findall('.//section/title')

再次，空字典

findall('/book/chapter/section/title')

唯一有效的 xpath 是：

findall('.//')

解决方法

findall() 不接受绝对路径名。您需要相对路径名。

'.//section/title' 确实有效，但它返回 title 标签。因此，无论有多少匹配项，您的字典中最终都会得到一个名为 title 的键，为什么可能不是您想要的。

如果你想使用标题作为章节的索引，你可以这样做：

d = dict((item.text,item.getparent()) for item in root.findall('.//section/title'))

从您的示例 XML 中，这将创建一个带有键 What a start 和章节元素作为值的字典。

如果您想使用 XPath 表达式的全部功能，我建议您使用 XPathEvaluator：

from lxml import etree

tree = etree.parse('file.xml')

xev = etree.XPathEvaluator(tree)

d = dict((item.text,item.getparent()) for item in xev('/book/chapter/section/title'))

for k,v in d.items():
    print(f"{k} -> {v.tag}")

输出：

What a start -> section