如何使用Python的xml.dom.minidom从XML文件获取字符串列表？

Question

全部-

我正在尝试使用解析以下非常简单的XML文档结构

from xml.dom.minidom import parse

XML如下所示：

<?xml version="1.0" encoding="utf-8"?>
    <list>
       <file name="..." url="...">
       <words>
           word_1
           word_2
           ...

我遇到的问题是XML包含一个我想作为字符串列表访问的单词列表...而我似乎根本无法正确理解它。 到目前为止，这是我所拥有的代码：

import sys
from xml.dom.minidom import parse

for file in sys.argv[1:]:

    dom = parse( file )

    title = dom.getElementsByTagName( 'job_ad' )[0].getAttribute( 'title' )
    # This works 

    words = dom.getElementsByTagName( 'unigrams' )[0].childNodes[0]

    # This is NOT a list of strings ... 

我想遍历此代码中的数据结构“字”。 我知道还有很多功能更强大的XML模块可用...但是现在，我想用所示的模块解决这个问题。

任何帮助，将不胜感激。

在此先感谢您，并诚挚的问候-

拍

Answer 1

我假设单词在words节点下以纯文本形式列出，在这种情况下，您只需要从words节点获取文本并将其拆分即可，例如

s="""<?xml version="1.0" encoding="utf-8"?>
    <list>
       <file name="..." url="...">
       <words>
           word_1
           word_2
        </words>
       </file>
    </list>"""

import sys
from xml.dom.minidom import parseString

dom = parseString(s)
words_text = dom.getElementsByTagName('words')[0].firstChild.nodeValue
words = words_text.split()
print words

输出：

[u'word_1', u'word_2']

Answer 2

如果您未嫁给“ xml.dom.minidom”，则可能要签出lxml（http://lxml.de/）

该代码将是：

import lxml.etree
doc = lxml.etree.parse( open(file) )
words = doc.findtext('words')

WHOOPS-我现在看到张贴者特别要求使用'xml.dom.minidom'作为答案。 抱歉，我们使用lxml。 您可以忽略。

Answer 3

似乎在您的XML文档中，多个word_X单词被分组在一个xml元素内。 由于它们不是不同的XML元素，因此您不能像这样查询。 相反，您可以使用正则表达式来解析单个元素字符串
例如：假设您有wordListAsSingleString包含（如果可以查询的话）：

       word_1
       word_2

re.split('\\s+', wordListAsSingleString)将为您提供单词列表。

Answer 4

如果希望单词为字符串，请在末尾添加.data：

words = dom.getElementsByTagName( 'unigrams' )[0].childNodes[0].data