python 3.x 中的站点地图 xml 解析

Question

我的 xml 结构如下

<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9" xmlns:image="http://www.google.com/schemas/sitemap-image/1.1">

    <url>

        <loc>hello world 1</loc>

        <image:image>

            <image:loc>this is image loc 1</image:loc>

            <image:title>this is image title 1</image:title>

        </image:image>

        <lastmod>2019-06-19</lastmod>

        <changefreq>daily</changefreq>

        <priority>0.25</priority>

    </url>

    <url>

        <loc>hello world 2</loc>

        <image:image>

            <image:loc>this is image loc 2</image:loc>

            <image:title>this is image title 2</image:title>

        </image:image>

        <lastmod>2020-03-19</lastmod>

        <changefreq>daily</changefreq>

        <priority>0.25</priority>

    </url>

</urlset>

我只想得到

hello world 1

hello world 2

我的 python 代码如下：

import xml.etree.ElementTree as ET

tree = ET.parse('test.xml')

root = tree.getroot()

for url in root.findall('url'):

    loc = url.find('loc').text

    print(loc)

不幸的是，它什么也没给我。

但是当我将 xml 更改为

<urlset>

    <url>

        <loc>hello world 1</loc>

        <lastmod>2019-06-19</lastmod>

        <changefreq>daily</changefreq>

        <priority>0.25</priority>

    </url>

    <url>

        <loc>hello world 2</loc>

        <lastmod>2020-03-19</lastmod>

        <changefreq>daily</changefreq>

        <priority>0.25</priority>

    </url>

</urlset>

它给了我正确的结果。

hello world 1

hello world 2

我该怎么做才能在不更改 xml 的情况下获得正确的结果？因为修改 10000 多行文件没有任何意义。

爱

Answer 1

对您的代码的（不雅）修复是：import xml.etree.ElementTree as ETtree = ET.parse('test.xml')root = tree.getroot()# In find/findall, prefix namespaced tags with the full namespace in bracesfor url in root.findall('{http://www.sitemaps.org/schemas/sitemap/0.9}url'):&nbsp; &nbsp; loc = url.find('{http://www.sitemaps.org/schemas/sitemap/0.9}loc').text&nbsp; &nbsp; print(loc)这是因为您必须使用定义 XML 的命名空间来限定标记名称。有关如何使用名称空间find和findall方法的详细信息来自Parse XML namespace with Element Tree findall

Answer 2

如果你不想弄乱命名空间，这是比公认的答案更简单的解决方案，而且更优雅，使用通用的 xpath 查询：import lxml.etreetree = lxml.etree.parse('test.xml')for url in tree.xpath("//*[local-name()='loc']/text()"):&nbsp; &nbsp; print(url)如果你更喜欢使用 xml 命名空间，你应该这样做：import lxml.etreetree = lxml.etree.parse('test.xml')namespaces = {&nbsp; &nbsp; 'sitemapindex': 'http://www.sitemaps.org/schemas/sitemap/0.9',}for url in tree.xpath("//sitemapindex:loc/text()", namespaces=namespaces):&nbsp; &nbsp; print(url)如果你更喜欢直接从内存而不是文件加载 xml 数据，你可以使用 lxml.etree.fromstring 而不是 lxml.etree.parse。