如何使用Python的xml.dom.minidom從XML文件獲取字符串列表？

Question

全部-

我正在嘗試使用解析以下非常簡單的XML文檔結構

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
           ...

我遇到的問題是XML包含一個我想作為字符串列表訪問的單詞列表...而我似乎根本無法正確理解它。 到目前為止，這是我所擁有的代碼：

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 ... 

我想遍歷此代碼中的數據結構“字”。 我知道還有很多功能更強大的XML模塊可用...但是現在，我想用所示的模塊解決這個問題。

任何幫助，將不勝感激。

在此先感謝您，並誠摯的問候-

拍

Answer 1

我假設單詞在words節點下以純文本形式列出，在這種情況下，您只需要從words節點獲取文本並將其拆分即可，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

輸出：

[u'word_1', u'word_2']

Answer 2

如果您未嫁給“ xml.dom.minidom”，則可能要簽出lxml（http://lxml.de/）

該代碼將是：

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

WHOOPS-我現在看到張貼者特別要求使用'xml.dom.minidom'作為答案。 抱歉，我們使用lxml。 您可以忽略。

Answer 3

似乎在您的XML文檔中，多個word_X單詞被分組在一個xml元素內。 由於它們不是不同的XML元素，因此您不能像這樣查詢。 相反，您可以使用正則表達式來解析單個元素字符串
例如：假設您有wordListAsSingleString包含（如果可以查詢的話）：

       word_1
       word_2

re.split('\\s+', wordListAsSingleString)將為您提供單詞列表。

Answer 4

如果希望單詞為字符串，請在末尾添加.data：

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