python - 解析包含默认命名空间的 xml 以使用 lxml 获取元素值

Question

我有一个这样的xml字符串

str1 = """<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
<sitemap>
    <loc>
        http://www.example.org/sitemap_1.xml.gz
    </loc>
    <lastmod>2015-07-01</lastmod>
</sitemap>
</sitemapindex> """

我想提取 <loc> 中存在的所有 url节点即http://www.example.org/sitemap_1.xml.gz

我试过这段代码，但没有字

from lxml import etree
root = etree.fromstring(str1)
urls = root.xpath("//loc/text()")
print urls
[]

我试图检查我的根节点是否形成正确。我试过了，得到了与 str1 相同的字符串

etree.tostring(root)

'<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">\n<sitemap>\n<loc>http://www.example.org/sitemap_1.xml.gz</loc>\n<lastmod>2015-07-01</lastmod>\n</sitemap>\n</sitemapindex>'

Answer 1

这是处理具有默认命名空间的 XML 时的常见错误。你的 XML 有默认命名空间，一个没有前缀声明的命名空间，在这里:

<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

请注意，不仅声明默认命名空间的元素在该命名空间中，而且所有后代元素都隐式继承祖先默认命名空间，除非另有说明(使用显式命名空间前缀或指向不同命名空间 uri 的本地默认命名空间)。这意味着，在这种情况下，包括 loc 在内的所有元素都在默认命名空间中。

要选择命名空间中的元素，您需要定义命名空间映射的前缀并在 XPath 中正确使用前缀:

from lxml import etree
str1 = '''<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
<sitemap>
    <loc>
        http://www.example.org/sitemap_1.xml.gz
    </loc>
    <lastmod>2015-07-01</lastmod>
</sitemap>
</sitemapindex>'''
root = etree.fromstring(str1)

ns = {"d" : "http://www.sitemaps.org/schemas/sitemap/0.9"}
url = root.xpath("//d:loc", namespaces=ns)[0]
print etree.tostring(url)

输出:

<loc xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
        http://www.example.org/sitemap_1.xml.gz
    </loc>