在 lxml 中查找具有未知名稱空間的元素

Question

我有一個具有多個級別的 XML。 每個級別都可以附加命名空間。 我想find一個我知道其名稱但不知道其名稱空間的特定元素。 例如：

my_file.xml

<?xml version="1.0" encoding="UTF-8"?>
<data xmlns="aaa:bbb:ccc:ddd:eee">
  <country name="Liechtenstein" xmlns="aaa:bbb:ccc:liechtenstein:eee">
    <rank updated="yes">2</rank>
    <year>2008</year>
    <gdppc>141100</gdppc>
    <neighbor name="Austria" direction="E"/>
    <neighbor name="Switzerland" direction="W"/>
  </country>
  <country name="Singapore" xmlns="aaa:bbb:ccc:singapore:eee">
    <continent>Asia</continent>
    <holidays>
      <christmas>Yes</christmas>
    </holidays>
    <rank updated="yes">5</rank>
    <year>2011</year>
    <gdppc>59900</gdppc>
    <neighbor name="Malaysia" direction="N"/>
  </country>
  <country name="Panama" xmlns="aaa:bbb:ccc:panama:eee">
    <rank updated="yes">69</rank>
    <year>2011</year>
    <gdppc>13600</gdppc>
    <neighbor name="Costa Rica" direction="W"/>
    <neighbor name="Colombia" direction="E"/>
  </country>
</data>

import lxml.etree as etree

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

cntry_node = root.find('.//country')

上面的find不會向cntry_node返回任何內容。 在我的真實數據中，層次比這個例子更深。 lxml 文檔討論了命名空間。 當我這樣做時：

root.nsmap

我看到這個：

{None: 'aaa:bbb:ccc:ddd:eee'}

如果有人可以解釋如何訪問完整的nsmap和/或如何使用它來find特定元素？ 非常感謝。

Answer 1

您可以聲明所有名稱空間，但鑒於您的示例 xml 的結構，我認為您最好完全忽略名稱空間而只使用local-name() ； 所以

cntry_node = root.xpath('.//*[local-name()="country"]')
cntry_node

返回

[<Element {aaa:bbb:ccc:liechtenstein:eee}country at 0x1cddf1d4680>,
 <Element {aaa:bbb:ccc:singapore:eee}country at 0x1cddf1d47c0>,
 <Element {aaa:bbb:ccc:panama:eee}country at 0x1cddf1d45c0>]

Answer 2

nsmap不是 XML 文檔的所有命名空間的全局集合

我相信您的印象是nsmap是 XML 文檔中存在的所有命名空間的集合。 並且該集合在解析文檔后可用。 事實並非如此。

nsmap允許您訪問一個元素的命名空間定義。 所以這：

root = tree.getroot()
root.nsmap

為您提供root元素上下文中已知的命名空間定義。 請記住，“root”只是 Python 變量的名稱，實際上包含 XML 文檔的最外層元素（我知道這一點是因為您調用了getroot() ）。 文檔的最外層元素是：

<data xmlns="aaa:bbb:ccc:ddd:eee">

所以預計它的 nsmap 將包含

{None: 'aaa:bbb:ccc:ddd:eee'}

（nsmap 中包含None因為這是一個默認命名空間，沒有命名空間前綴，即 go ，其中None是。）

XML 文檔的結構很糟糕

通常，處理命名空間的最佳方式是自己定義它們（而不是從輸入文檔中獲取它們）。 假設我們想找到以下元素：

<country name="Liechtenstein" xmlns="aaa:bbb:ccc:liechtenstein:eee">

此country /地區元素位於默認命名空間中，命名空間 URI 為“aaa:bbb:ccc:liechtenstein:eee”。 要使用 lxml 找到它，請定義一個映射：

my_own_namespace_mapping = {'prefix': 'aaa:bbb:ccc:liechtenstein:eee'}

然后在檢索節點時使用它：

root.xpath('.//prefix:country', namespaces=my_own_namespace_mapping)
[<Element {aaa:bbb:ccc:liechtenstein:eee}country at 0x7fea87f363f8>]

但是，對於您的輸入文檔，您似乎需要為每個country /地區元素單獨執行此操作，因為它們每個都在自己的默認命名空間中：

root.xpath('.//prefix:country', namespaces={'prefix': 'aaa:bbb:ccc:singapore:eee'})
[<Element {aaa:bbb:ccc:singapore:eee}country at 0x7fea879cfd40>]

等等。 這是非常不切實際的，不是因為 lxml 或命名空間很復雜，而是因為有人將這種 XML 格式設計得很糟糕。

---

順便說一句，一旦你找到了其中一個元素，你可以再次使用nsmap來測試我上面所說的是否屬實：

root.xpath('.//prefix:country', namespaces={'prefix': 'aaa:bbb:ccc:liechtenstein:eee'})[0].nsmap
{None: 'aaa:bbb:ccc:liechtenstein:eee'}

Answer 3

另一種選擇是使用{*}作為命名空間通配符...

cntry_node = root.find('.//{*}country')

注意：這只適用於find() 、 findall() 、 iter()等； 不是xpath() 。

有關更多詳細信息，請參見此處。