Розбір XML з простором імен в Python через 'ElementTree'

У мене є наступний XML, який я хочу аналізувати за допомогою Python ElementTree:

<rdf:RDF xml:base="http://dbpedia.org/ontology/"
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:owl="http://www.w3.org/2002/07/owl#"
    xmlns:xsd="http://www.w3.org/2001/XMLSchema#"
    xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"
    xmlns="http://dbpedia.org/ontology/">

    <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague">
        <rdfs:label xml:lang="en">basketball league</rdfs:label>
        <rdfs:comment xml:lang="en">
          a group of sports teams that compete against each other
          in Basketball
        </rdfs:comment>
    </owl:Class>

</rdf:RDF>

Я хочу знайти всі owl:Classтеги, а потім витягнути значення всіх rdfs:labelпримірників всередині них. Я використовую такий код:

tree = ET.parse("filename")
root = tree.getroot()
root.findall('owl:Class')

Через простір імен я отримую таку помилку.

SyntaxError: prefix 'owl' not found in prefix map

Я спробував прочитати документ на веб-сайті http://effbot.org/zone/element-namespaces.htm, але я все ще не в змозі зробити це робочим, оскільки вищевказаний XML має кілька вкладених просторів імен.

Будь ласка, дайте мені знати, як змінити код, щоб знайти всі owl:Classтеги.

ElementTree не надто розумний щодо просторів імен. Ви повинні дати .find(), findall()і iterfind()методам , явний словник імен. Це не дуже задокументовано:

namespaces = {'owl': 'http://www.w3.org/2002/07/owl#'} # add more as needed

root.findall('owl:Class', namespaces)

Префікси шукаються лише в namespacesпараметрі, який ви передаєте. Це означає, що ви можете використовувати будь-який префікс простору імен, який вам подобається; API розбивається на owl:частину, шукає відповідну URL-адресу простору імен у namespacesсловнику, а потім змінює пошук, щоб шукати {http://www.w3.org/2002/07/owl}Classзамість цього виразу XPath . Ви також можете використовувати той самий синтаксис, звичайно:

root.findall('{http://www.w3.org/2002/07/owl#}Class')

Якщо ви можете перейти до lxmlбібліотеки, все краще; ця бібліотека підтримує той самий API ElementTree, але збирає для вас простори імен в .nsmapатрибут елементів.

Ось як це зробити за допомогою lxml без необхідності жорсткого кодування просторів імен або сканування тексту для них (як згадує Мартійн Пітерс):

from lxml import etree
tree = etree.parse("filename")
root = tree.getroot()
root.findall('owl:Class', root.nsmap)

ОНОВЛЕННЯ :

Через 5 років я все ще стикаюся з варіаціями цього питання. lxml допомагає, як я показав вище, але не у кожному випадку. У коментаторів може бути вагомий пункт щодо цієї методики, коли мова йде про об'єднання документів, але я думаю, що у більшості людей виникають труднощі просто з пошуком документів.

Ось ще один випадок, і як я впорався з цим:

<?xml version="1.0" ?><Tag1 xmlns="http://www.mynamespace.com/prefix">
<Tag2>content</Tag2></Tag1>

xmlns без префікса означає, що нефіксовані теги отримують це простір імен за замовчуванням. Це означає, що під час пошуку Tag2 потрібно включити простір імен, щоб знайти його. Однак, lxml створює запис nsmap з None як ключовим, і я не зміг знайти спосіб його пошуку. Отже, я створив новий такий словник простору імен

namespaces = {}
# response uses a default namespace, and tags don't mention it
# create a new ns map using an identifier of our choice
for k,v in root.nsmap.iteritems():
    if not k:
        namespaces['myprefix'] = v
e = root.find('myprefix:Tag2', namespaces)

Примітка . Це відповідь, корисна для стандартної бібліотеки Python's ElementTree без використання твердо кодованих просторів імен.

Щоб витягнути префікси простору імен та URI з XML-даних, ви можете використовувати ElementTree.iterparseфункцію, аналізуючи лише стартові події простору імен ( start-ns ):

>>> from io import StringIO
>>> from xml.etree import ElementTree
>>> my_schema = u'''<rdf:RDF xml:base="http://dbpedia.org/ontology/"
...     xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
...     xmlns:owl="http://www.w3.org/2002/07/owl#"
...     xmlns:xsd="http://www.w3.org/2001/XMLSchema#"
...     xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"
...     xmlns="http://dbpedia.org/ontology/">
... 
...     <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague">
...         <rdfs:label xml:lang="en">basketball league</rdfs:label>
...         <rdfs:comment xml:lang="en">
...           a group of sports teams that compete against each other
...           in Basketball
...         </rdfs:comment>
...     </owl:Class>
... 
... </rdf:RDF>'''
>>> my_namespaces = dict([
...     node for _, node in ElementTree.iterparse(
...         StringIO(my_schema), events=['start-ns']
...     )
... ])
>>> from pprint import pprint
>>> pprint(my_namespaces)
{'': 'http://dbpedia.org/ontology/',
 'owl': 'http://www.w3.org/2002/07/owl#',
 'rdf': 'http://www.w3.org/1999/02/22-rdf-syntax-ns#',
 'rdfs': 'http://www.w3.org/2000/01/rdf-schema#',
 'xsd': 'http://www.w3.org/2001/XMLSchema#'}

Тоді словник може бути переданий як аргумент пошуковим функціям:

root.findall('owl:Class', my_namespaces)

Я використовував подібний код до цього і виявив, що завжди варто прочитати документацію ... як завжди!

findall () знайде лише елементи, які є прямими дітьми поточного тегу . Отже, насправді ВСЕ.

Можливо, варто скористатися вашим кодом, працюючи з наступним, особливо якщо ви маєте справу з великими і складними файлами XML, щоб вони також включали під-елементи та ін. Якщо ви самі знаєте, де знаходяться елементи у вашому xml, то, гадаю, це буде добре! Просто думав, що це варто пам’ятати.

root.iter()

ref: https://docs.python.org/3/library/xml.etree.elementtree.html#finding-interesting-elements "Element.findall () знаходить лише елементи з тегом, які є прямими дітьми поточного елемента. Element.find () знаходить першу дитину з певним тегом, а Element.text отримує доступ до текстового вмісту елемента. Element.get () отримує доступ до атрибутів елемента: "

Для отримання простору імен у форматі простору імен, наприклад {myNameSpace}, ви можете зробити наступне:

root = tree.getroot()
ns = re.match(r'{.*}', root.tag).group(0)

Таким чином, ви можете використовувати його згодом у своєму коді для пошуку вузлів, наприклад, використовуючи рядкову інтерполяцію (Python 3).

link = root.find(f"{ns}link")

Моє рішення засноване на коментарі @Martijn Pieters:

register_namespace впливає лише на серіалізацію, а не на пошук.

Тож хитрість тут полягає у використанні різних словників для серіалізації та пошуку.

namespaces = {
    '': 'http://www.example.com/default-schema',
    'spec': 'http://www.example.com/specialized-schema',
}

Тепер зареєструйте всі простори імен для розбору та запису:

for name, value in namespaces.iteritems():
    ET.register_namespace(name, value)

Для пошуку ( find(), findall(), iterfind()), потрібно непорожній префікс. Передайте цим функціям модифікований словник (тут я змінюю оригінальний словник, але це потрібно зробити лише після того, як будуть зареєстровані простори імен).

self.namespaces['default'] = self.namespaces['']

Тепер функції find()сімейства можна використовувати з defaultпрефіксом:

print root.find('default:myelem', namespaces)

але

tree.write(destination)

не використовує жодних префіксів для елементів у просторі імен за замовчуванням.