如何使用Python从XML中删除元素

Question

我被XML和Python卡住了。任务很简单，但我一直无法解决它，花了很长时间。我来这里寻求建议，如何用几行代码解决它。

感谢任何关于遍历树的帮助。我总是得到太多或太少的元素。元素可以无限嵌套。给出的示例只是一个例子。我接受任何解决方案，不挑剔dom，minidom，sax等等..

我有一个类似于这个的XML文件：

<root>
    <elm>
        <elm>Common content</elm>

        <elm xmlns="http://example.org/ns">
            <elm lang="en">Content EN</elm>
            <elm lang="cs">žluťoučký koníček</elm>
        </elm>

        <elm xml:id="abc123">Common content</elm>

        <elm lang="en">Content EN</elm>
        <elm lang="cs">Content CS</elm>

        <elm lang="en">
            <elm>Content EN</elm>
            <elm>Content EN</elm>
        </elm>

        <elm lang="cs">
            <elm>Content CS</elm>
            <elm>Content CS</elm>
        </elm>
    </elm>
</root>

我需要的是解析XML并编写一个新文件。新文件应包含给定语言的所有元素和没有lang属性的元素。

对于“cs”语言，输出文件应包含以下内容：

<root>
    <elm>
        <elm>Common content</elm>

        <elm xmlns="http://example.org/ns">
            <elm lang="cs">žluťoučký koníček</elm>
        </elm>

        <elm xml:id="abc123">Common content</elm>

        <elm lang="cs">Content CS</elm>

        <elm lang="cs">
            <elm>Content CS</elm>
            <elm>Content CS</elm>
        </elm>
    </elm>
</root>

如果你能在新文件中省略lang属性，那就更好了，但这并不是很重要。

UPDATE1: 添加了Unicode字符和命名空间属性。

UPDATE2: 使用Python 2.5，优先使用标准库。

- dwich

---

“对于"en"语言，输出文件应该包含这个内容：” 我猜您的意思是给定的输出是针对 "cs" 语言的？ - LarsH

@LarsH：我更新了问题，添加了一些Unicode字符。你是对的，应该写成：“对于”cs“语言”。我会更改它。 - dwich

Answer 1

使用 lxml:

import lxml.etree as le

with open('doc.xml','r') as f:
    doc=le.parse(f)
    for elem in doc.xpath('//*[attribute::lang]'):
        if elem.attrib['lang']=='en':
            elem.attrib.pop('lang')
        else:
            parent=elem.getparent()
            parent.remove(elem)
    print(le.tostring(doc))

产生（yields）。

<root>
    <elm>Common content</elm>

    <elm>
        <elm>Content EN</elm>
        </elm>

    <elm>Common content</elm>

    <elm>Content EN</elm>
    <elm>
        <elm>Content EN</elm>
        <elm>Content EN</elm>
    </elm>

    </root>

- unutbu

---

非常感谢。我无法在我的WinXP上安装lxml，出现了编译器问题。稍后会再试一次。 - dwich

可以了！谢谢！你救了我的晚上 :) 我感谢你们两个，两种解决方案都很好。 - dwich

Answer 2

我不确定如何最好地删除lang属性，但这里有一些代码可以做其他更改（Python 2.7; 对于2.5或2.6，请使用getIterator而不是iter），假设当您删除一个元素时，您也总是想要删除该元素中包含的所有内容。

此代码仅将结果打印到标准输出（当然，您可以将其重定向为所需，或直接将其写入某个新文件等）。

import sys
from xml.etree import cElementTree as et

def picklang(path, lang='en'):
    tr = et.parse(path)
    for element in tr.iter():
        for subelement in element:
            la = subelement.get('lang')
            if la is not None and la != lang:
                element.remove(subelement)
    return tr

if __name__ == '__main__':
    tr = picklang('la.xml')
    tr.write(sys.stdout)
    print

以 la.xml 为例，这将写入

<root>
    <elm>Common content</elm>

    <elm>
        <elm lang="en">Content EN</elm>
        </elm>

    <elm>Common content</elm>

    <elm lang="en">Content EN</elm>
    <elm lang="en">
        <elm>Content EN</elm>
        <elm>Content EN</elm>
    </elm>

    </root>

- Alex Martelli

---

谢谢Alex，非常好用。除了两个问题 - 命名空间和Unicode。如果有xmlns属性，例如<elm xmlns="http://example.org/ns">，新节点本身会得到一个xmlns:ns0="http://example.org/ns"属性，所有子节点都会得到一个<ns0:前缀。这些前缀在源文件中不存在。另外无法强制write()方法以原始形式写入Unicode字符。我将更新示例文件。 - dwich

@dwich，对于编写，您只需在write调用中添加一个您选择的encoding参数即可。 诸如命名空间问题之类的美学问题（我认为不会改变XML的语义）更加棘手，遗憾的是（就像您可能已经注意到的那样，输出中的缩进不同，因为元素中的空格也被删除了）。 - Alex Martelli

那个 Unicode 的问题是我的错误，我开始尝试使用编解码器，虽然我使用了 encoding='utf-8'，但由于打开方式不正确，它并没有起作用。谢谢你的回答，我会选择 ~unutbu 的解决方案，因为他的代码在命名空间方面没有问题。两个答案都是正确的。谢谢大家！ - dwich

@dwich，我同意你的观点 - @unutbu的答案更好（如果可以使用第三方包，如lxml），因为它可以像你理想中的那样删除属性，而我的方法则不能。 - Alex Martelli

Answer 3

更新@Alex Martelli的代码，以消除元素列表在原地更新的错误。如果输入稍微复杂，上面的解决方案将会给出错误的答案。

import sys
from xml.etree import cElementTree as et

def picklang(path, lang='en'):
    tr = et.parse(path)
    for element in tr.iter():
        for subelement in element[:]:
            la = subelement.get('lang')

            if la is not None and la != lang:
                element.remove(subelement)
    return tr

if __name__ == '__main__':
    tr = picklang('la.xml')
    tr.write(sys.stdout)
    print

第7行的代码 for subelement in element: 被改为 for subelement in element[:]:，因为在遍历列表时原地更新列表是不正确的。

这段代码遍历元素列表的副本，并在原始元素列表中 lang != "en" 时删除元素。

- bhuvi