我如何使用Python中的LXML捕获XML文件的所有元素名称？

Question

我能够使用lxml来完成我想做的大部分工作，尽管通过模糊的示例和教程很难。 简而言之，我能够读取外部xml文件并通过lxml将其导入到适当的树状格式中。

为了证明这一点，如果我输入：

print(etree.tostring(myXmlTree, pretty_print= True, method= "xml") )

我得到以下输出：

<net xmlns="http://www.arin.net/whoisrws/core/v1" xmlns:ns2="http://www.arin.net/whoisrws/rdns/v1" xmlns:ns3="http://www.arin.net/whoisrws/netref/v2" termsOfUse="https://www.arin.net/whois_tou.html">
 <registrationDate>2006-08-29T00:00:00-04:00</registrationDate>
 <ref>http://whois.arin.net/rest/net/NET-79-0-0-0-1</ref>
 <endAddress>79.255.255.255</endAddress>
 <handle>NET-79-0-0-0-1</handle>
 <name>79-RIPE</name>
 <netBlocks>
  <netBlock>
   <cidrLength>8</cidrLength>
   <endAddress>79.255.255.255</endAddress>
   <description>Allocated to RIPE NCC</description>
   <type>RN</type>
   <startAddress>79.0.0.0</startAddress>
  </netBlock>
 </netBlocks>
 <orgRef name="RIPE Network Coordination Centre" handle="RIPE">http://whois.arin.net/rest/org/RIPE</orgRef>
 <comment>
  <line number="0">These addresses have been further assigned to users in</line>
  <line number="1">the RIPE NCC region. Contact information can be found in</line>
  <line number="2">the RIPE database at http://www.ripe.net/whois</line>
 </comment>
 <startAddress>79.0.0.0</startAddress>
 <updateDate>2009-05-18T07:34:02-04:00</updateDate>
 <version>4</version>
</net>

好的，这对人类消费很有用，但对机器没用。 如果我想要特殊的元素，比如说xml中的起始和结束IP地址，我可以输入：

ns = myXmlTree.nsmap.values()[0]
myXmlTree.findall("{" + ns + "}startAddress")[0].text
myXmlTree.findall("{" + ns + "}endAddress")[0].text

我会收到：

'79.0.0.0'
'79.255.255.255'

但是我仍然需要将xml文件看作是一个人来知道那里有哪些元素。 相反，我希望能够检索特定级别的所有元素的名称，然后自动遍历该级别。 所以，举例来说，我想做的事情如下：

myElements = myXmlTree.findallelements("{" + ns + "}")

它会给我一个返回值，如：

['registrationDate', 'ref', 'endAddress', 'handle', 'name', 'netBlocks', 'orgRef', 'comment', 'startAddress', 'updateDate', 'version']

特别棒的是它能告诉我整个元素结构，包括嵌套元素。

我确实有办法，否则就没有意义了。

提前致谢！！

PS，我知道我可以迭代并浏览所有迭代的列表。 我希望lxml中已经存在一个包含这些数据的方法。 如果迭代是唯一的方法，我想这没关系...它对我来说似乎很笨拙。

Answer 1

我相信你正在寻找element.xpath() 。

XPath不是lxml引入的概念，而是一种通用查询语言，用于从许多处理XML的事物支持的XML文档中选择节点。 可以把它想象成与CSS选择器类似的东西，但功能更强大（也有点复杂）。 请参阅XPath语法 。

您的文档使用命名空间 - 我现在将忽略它并在帖子的末尾解释如何处理它们，因为它使示例更具可读性。 （但它们不会按原样用于您的文档）。

所以，例如，

tree.xpath('/net/endAddress')

将在<net />节点下方直接选择<endAddress>79.255.255.255</endAddress>元素。 但不是<endAddress />的<endAddress /> <netBlock> 。

XPath表达式

tree.xpath('//endAddress')

但是会在文档中的任何位置选择所有<endAddress />节点。

您当然可以使用XPath epxressions进一步查询您获得的节点：

netblocks = tree.xpath('/net/netBlocks/netBlock')
for netblock in netblocks:
    start = netblock.xpath('./startAddress/text()')[0]
    end = netblock.xpath('./endAddress/text()')[0]
    print "%s - %s" % (start, end)

会给你的

79.0.0.0 - 79.255.255.255

请注意， .xpath()始终返回所选节点的列表 - 因此，如果您只想要一个节点，请.xpath()该节点。

您还可以按属性选择元素：

comment = tree.xpath('/net/comment')[0]
line_2 = comment.xpath("./line[@number='2']")[0]

这将从第一个注释中选择number="2"的<line />元素。

您也可以自己选择属性：

numbers = tree.xpath('//line/attribute::number')

['0', '1', '2']

要获取最后询问的元素名称列表，您可以执行以下操作：

names = [node.tag for node in tree.xpath('/net/*')]

['registrationDate', 'ref', 'endAddress', 'handle', 'name', 'netBlocks', 'orgRef', 'comment', 'startAddress', 'updateDate', 'version']

但是考虑到XPath的强大功能，最好只查询文档中您想要了解的内容，如您认为的那样具体或松散。

现在，名称空间。 正如您所注意到的，如果您的文档使用XML命名空间，则需要在许多地方考虑这一点，并且XPath也不例外。 查询命名空间文档时，将xpath()方法传递给命名空间映射，如下所示：

NSMAP = {'ns':  'http://www.arin.net/whoisrws/core/v1',
         'ns2': 'http://www.arin.net/whoisrws/rdns/v1',
         'ns3': 'http://www.arin.net/whoisrws/netref/v2'}

names = [node.tag for node in tree.xpath('/ns:net/*', namespaces=NSMAP)]

在lxml许多其他位置，您可以使用None作为命名空间映射中的字典键来设置默认命名空间。 不幸的是，不会使用xpath() ，这将引发异常

TypeError: empty namespace prefix is not supported in XPath

因此，您不得不使用ns:或您选择将该命名空间映射到的任何地方）为XPath表达式中的每个节点名称添加前缀。

有关XPath语法的更多信息，请参阅W3Schools Xpath教程中的XPath语法页面。

要开始使用XPath，在许多XPath测试人员中调整文档也非常有用。 此外，Firefox的Firebug插件或Google Chrome检查器允许您显示所选元素的（或更确切地说，多个）XPath。