python - 使用 lxml Python 解析非标准 XML 中的 XPath

Question

我正在尝试创建一个包含 Google Patents 中所有专利信息的数据库。到目前为止，我的大部分工作都在使用 MattH 在 Python to parse non-standard XML file 中提供的这个非常好的答案。 。我的 Python 太大而无法显示，因此它链接为 here 。

源文件are here :一堆 xml 文件一起附加到一个具有多个 header 的文件中。问题是在解析这个具有多个 xml 和 dtd 声明的不寻常的“非标准”XML 文件时尝试使用正确的 xpath 表达式。我一直在尝试使用"-".join(doc.xpath在解析时将所有内容连接在一起，但输出会为 <document-id> 创建由连字符分隔的空白和<classification-national>如下图

<references-cited> <citation> 
<patcit num="00001"> <document-id>
<country>US</country> 
<doc-number>534632</doc-number> 
<kind>A</kind>
<name>Coleman</name> 
<date>18950200</date> 
</document-id> </patcit>
<category>cited by examiner</category>
<classification-national><country>US</country>
<main-classification>249127</main-classification></classification-national>
</citation>

注意并非每个 <citation> 中都存在所有子级。 ，有时他们根本不存在。

如何在尝试在 <citation> 下的多个条目的每个数据条目之间放置连字符时解析此 xpath ？

Answer 1

从此 XML (references.xml) 中，

<references-cited> 
  <citation> 
    <patcit num="00001"> 
      <document-id>
        <country>US</country> 
        <doc-number>534632</doc-number> 
        <kind>A</kind>
        <name>Coleman</name> 
        <date>18950200</date> 
      </document-id> 
    </patcit>
    <category>cited by examiner</category>
    <classification-national>
      <country>US</country>
      <main-classification>249127</main-classification>
    </classification-national>
  </citation>

  <citation>
    <patcit num="00002">
      <document-id>
        <country>US</country>
        <doc-number>D28957</doc-number>
        <kind>S</kind>
        <name>Simon</name>
        <date>18980600</date>
      </document-id>
    </patcit>
    <category>cited by other</category>
  </citation>
</references-cited>

可以获取 <citation> 每个后代的文本内容其内容如下:

from lxml import etree

doc = etree.parse("references.xml")
cits = doc.xpath('/references-cited/citation')

for c in cits:
    descs = c.xpath('.//*')
    for d in descs:
        if d.text and d.text.strip():
            print "%s: %s"  %(d.tag, d.text)
    print

输出:

country: US
doc-number: 534632
kind: A
name: Coleman
date: 18950200
category: cited by examiner
country: US
main-classification: 249127

country: US
doc-number: D28957
kind: S
name: Simon
date: 18980600
category: cited by other

这种变化:

import sys
from lxml import etree

doc = etree.parse("references.xml")
cits = doc.xpath('/references-cited/citation')

for c in cits:
    descs = c.xpath('.//*')
    for d in descs:
        if d.text and d.text.strip():
            sys.stdout.write("-%s"  %(d.text))
    print

结果如下:

-US-534632-A-Coleman-18950200-cited by examiner-US-249127
-US-D28957-S-Simon-18980600-cited by other