在python中使用cElementTree解析XML
问题描述:
我在使用python解析XML文件时遇到问题,即 - 语法。在python中使用cElementTree解析XML
我的XML文件看起来像这样的:
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE chunkList SYSTEM "ccl.dtd">
<chunkList>
<chunk id="ch1" type="p">
<sentence id="s1">
<tok>
<orth>dzisiaj</orth>
<lex disamb="1"><base>dzisiaj</base><ctag>adv:pos</ctag></lex>
</tok>
<tok>
<orth>uczę</orth>
<lex disamb="1"><base>uczyć</base><ctag>fin:sg:pri:imperf</ctag></lex>
<prop key="sense:ukb:syns_id">1449</prop>
<prop key="sense:ukb:syns_rank">1449/0.3151019143 52662/0.2635524432 58124/0.2227816629 58122/0.1985639796</prop>
<prop key="sense:ukb:unitsstr">szkolić.1(29:cumy) nauczać.1(29:cumy) kształcić.1(29:cumy) edukować.1(29:cumy) uczyć.1(29:cumy)</prop>
</tok>
<tok>
<orth>się</orth>
<lex disamb="1"><base>się</base><ctag>qub</ctag></lex>
</tok>
<tok>
<orth>o</orth>
<lex disamb="1"><base>o</base><ctag>prep:acc</ctag></lex>
</tok>
<tok>
<orth>świecie</orth>
<lex disamb="1"><base>świat</base><ctag>subst:sg:loc:m3</ctag></lex>
<prop key="sense:ukb:syns_id">7826</prop>
<prop key="sense:ukb:syns_rank">7826/0.1761356163 43462/0.1512730526 8139/0.1506959982 8361/0.1446884158 3331/0.1435643398 10819/0.1251661757 3332/0.1084764017</prop>
<prop key="sense:ukb:unitsstr">cywilizacja.1(11:grp) krąg_kulturowy.1(11:grp) kultura.3(11:grp) krąg_cywilizacyjny.1(17:rsl) świat.2(11:grp)</prop>
</tok>
</sentence>
</chunk>
</chunkList>
而我需要的,是一个包含元组两个值,<orth>
和<prop key="sense:ukb:syns_id">
列表。每个元组都为每个<tok>
标签。所以,例如对于第二个<tok>
我需要一个结果,如(uczę, 1449)
。
我写了关于我认为应该如何工作的伪代码,但我不知道如何使用ET实现它。
这就是:
ResultArray=[]
def treeSearch(root):
for element in root:
if element == 'tok':
temp1=0
temp2=0
for tokens in element:
if token == 'orth':
temp1=token.value()
if token == 'prop key="sense:ukb:syns_id"':
temp2=token.value()
tempTuple=(temp1,temp2)
resultArray.append(tempTuple)
return ResultArray
答
随着xml.etree.ElementTree
模块:
import xml.etree.ElementTree as ET
root = ET.parse('input.xml').getroot()
result = []
for tok in root.findall('.//tok'):
result.append((tok.findtext('orth'), tok.findtext('prop[@key="sense:ukb:syns_id"]') or 0))
print(result)
输出:
[('dzisiaj', 0), ('uczę', '1449'), ('się', 0), ('o', 0), ('świecie', '7826')]
详情:
-
for tok in root.findall('.//tok'):
- 通过所有<tok>
标签 -
tok.findtext('orth')
迭代 - 将得到<orth>
标签withing当前处理<tok>
标签的文本内容 -
tok.findtext('prop[@key="sense:ukb:syns_id"]') or 0
- 获得<prop>
标签与指定key
属性的文本内容。如果它不存在 - 离开值为零0
+0
我一直在尝试做这个工作的时间,这是做的。上帝保佑你,先生。你想解释一下吗? – AwangardowyKaloryfer
+0
@AwangardowyKaloryfer,不客气。看到我的细节 – RomanPerekhrest
所以你要只捕获1号标签''''标签中? –
RomanPerekhrest
我想在每个“”中捕获''和''并将其保存为元组。 –
AwangardowyKaloryfer
''总是存在,但如果没有'',我可以使用0. –
AwangardowyKaloryfer