如何使用Python解析具有多个嵌套子元素的 .xml 文件？

Question

我将使用Python解析一个相当复杂的XML文件，其中有许多嵌套的子元素；访问其中一些值非常麻烦，因为代码开始变得非常难看。

首先让我介绍一下这个XML文件：

<?xml version="1.0" encoding="utf-8"?>
<Start>
  <step1 stepA="5" stepB="6" />
  <step2>
    <GOAL1>11111</GOAL1>
    <stepB>
      <stepBB>
        <stepBBB stepBBB1="pinco">1</stepBBB>
      </stepBB>
      <stepBC>
        <stepBCA>
          <GOAL2>22222</GOAL2>
        </stepBCA>
      </stepBC>
      <stepBD>-NO WOMAN NO CRY                                            
              -I SHOT THE SHERIF                                                           
              -WHO LET THE DOGS OUT
      </stepBD>
    </stepB>
  </step2>
  <step3>
    <GOAL3 GOAL3_NAME="GIOVANNI" GOAL3_ID="GIO">
      <stepB stepB1="12" stepB2="13" />
      <stepC>XXX</stepC>
      <stepC>
        <stepCC>
          <stepCC GOAL4="saf12">33333</stepCC>
        </stepCC>
      </stepC>
    </GOAL3>
  </step3>
  <step3>
    <GOAL3 GOAL3_NAME="ANDREA" GOAL3_ID="DRW">
      <stepB stepB1="14" stepB2="15" />
      <stepC>YYY</stepC>
      <stepC>
        <stepCC>
          <stepCC GOAL4="fwe34">44444</stepCC>
        </stepCC>
      </stepC>
    </GOAL3>
  </step3>
</Start>

我的目标是以比我下面示例代码更好的方式访问名为“GOAL”的子项中包含的值。此外，我想找到一种自动化的方式来查找具有相同类型标记的GOALS的值，这些标记属于具有相同名称的不同子项：

例如：GIOVANNI和ANDREA都位于同一种标记（GOAL3_NAME）下，并属于具有相同名称（<step3>）的不同子项。

以下是我编写的代码：

import xml.etree.ElementTree as ET
data = ET.parse('test.xml').getroot()

GOAL1 = data.getchildren()[1].getchildren()[0].text
print(GOAL1)

GOAL2 = data.getchildren()[1].getchildren()[1].getchildren()[1].getchildren()[0].getchildren()[0].text
print(GOAL2)

GOAL3 = data.getchildren()[2].getchildren()[0].text
print(GOAL3)

GOAL4_A = data.getchildren()[2].getchildren()[0].getchildren()[2].getchildren()[0].getchildren()[0].text
print(GOAL4_A)

GOAL4_B = data.getchildren()[3].getchildren()[0].getchildren()[2].getchildren()[0].getchildren()[0].text
print(GOAL4_B) 

我得到的输出如下：

11111
22222


33333
44444

我想要的输出应该像这样：

11111 
22222
GIOVANNI
33333
ANDREA
44444

如您所见，我能够轻松读取GOAL1和GOAL2，但我正在寻找更好的代码实践来访问这些值，因为对我来说读/理解起来太长太难了。

第二件事是以自动化的方式获取GOAL3和GOAL4，这样我就不必重复编写类似的代码行，并使其更易读和理解。

注意：如您所见，我无法读取GOAL3。如果可能的话，我想同时获取GOAL3_NAME和GOAL3_ID。

为了使.xml文件结构更易于理解，我发布了一个图像，展示了它的外观。

我需要的是被突出显示的元素。

- Federico Gentile

---

我理解您的意思是想从标签为“GOAL”+数字N的元素中获取文本，对吗？ - nick_gabpe

从GOAL1、GOAL2和GOAL4中，我需要获取它们存储的数字：11111、22222、33333、44444。至于GOAL3，我想要获取GIOVANNI和ANDREA。 - Federico Gentile

我建议你使用 "for d in data.iter()"。 - nick_gabpe

Answer 1

这是一个使用递归方法和cElementTree（速度快15-20倍）从头到尾迭代的简单示例，您可以从中收集所需信息。

import xml.etree.cElementTree as ET
tree = ET.parse('test.xml')
root = tree.getroot()
def get_tail(root):
    for child in root:
        print child.text
        get_tail(child)
get_tail(root)

- Ari Gold

---

如果您只想在树上进行迭代而没有任何限制，这是最好的选择。 - Abhishek Kumar

Answer 2

import xml.etree.cElementTree as ET
data = ET.parse('test.xml')    
for d in data.iter():
       if d.tag in ["GOAL1", "GOAL2", "stepCC", "stepCC"]:
          print d.text
       elif d.tag in ["GOAL3", "GOAL4"]:
          print d.attrib.values()[0]

- nick_gabpe

---

当我运行它时，出现了以下错误：'dict_values'对象不支持索引。 - Federico Gentile

你使用 Python 3.x 吗？ - nick_gabpe

你可以尝试将'd.attrib.values()[0]'替换为'print d.attrib["GOAL3_NAME"]'。 - nick_gabpe