0

xml ファイルで利用可能なすべての情報をフラット ファイルまたはデータベースに抽出する方法を探しています。

例えば

<r>
                <P>
                    <color val="1F497D"/>
                </P>
                <t val="123" val2="234">TEST REPORT</t>
</r>

私はこれを

r
P
color,val,1f497d
t,val,123
t,val2,234

Pythonでこれを行う方法についての指針はありますか?

4

3 に答える 3

1

lxml次にインストールします。

>>> from lxml import etree
>>> parser = etree.XMLParser(remove_blank_text=True)
>>> parsed_xml = etree.XML(s,parser)
>>> for i in parsed_xml.iter('*'):
...    print i.tag
...    for x in i.items():
...       print '%s,%s' % (x[0],x[1])
...
r
P
color
val,1F497D
t
val,123
val2,234

出力のフォーマットはあなたに任せます。

于 2012-10-07T06:41:44.103 に答える
0

なぜこれが必要なのかよくわかりませんが、lxmlまたはBeautifulSoup for Python を調べてください。

または、上で示したとおりの形式にしたい場合は、次のようにします。

def parse_html(html_string):
    import re
    fields = re.findall(r'(?<=\<)[\w=\s\"\']+?(?=\/?\>)', html_string)
    out = []
    for field in fields:
        tag = re.match(r'(?P<tag>\w+?) ?', field).group('tag')
        attrs = re.findall(r' (\w+?)\=[\"\'](.+?)[\"\']', field)
        if attrs:
            for x in attrs:
                out.append(','.join([tag] + list(x)))
        else:
            out.append(tag)

    print '\n'.join(out)

これは少しやり過ぎです。そのため、通常は lxml または BeautifulSoup を使用する必要がありますが、この特定の作業はこれで完了します。

上記のプログラムの出力:

r
P
c,val,1F497D
t,val,123
t,val2,234
于 2012-10-07T06:49:33.577 に答える
0

あなたの最善の策はBeautifulSoupを使うことだと思います

例(ドキュメントから):

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)
soup.title
# <title>The Dormouse's story</title>
soup.p['class']
# u'title'
for link in soup.find_all('a'):
    print(link.get('href'))
# http://example.com/elsie
# http://example.com/lacie
# http://example.com/tillie

lxmlも参照してください。これは簡単で効率的で、BeautifulSoup が構築されているものです。具体的には、このページをご覧になることをお勧めします。

于 2012-10-07T06:17:51.257 に答える