Eu tenho muitas linhas em um banco de dados que contém XML e estou tentando escrever um script Python para contar instâncias de um atributo de nó específico.

Minha árvore se parece com:

<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>

Como posso acessar os atributos "1"e "2"no XML usando Python?

Eu sugiro ElementTree. Existem outras implementações compatíveis da mesma API, como lxml, e cElementTreena própria biblioteca padrão do Python; mas, nesse contexto, o que eles adicionam principalmente é ainda mais velocidade - a facilidade da parte da programação depende da API, que ElementTreedefine.

Primeiro, crie uma instância Element a rootpartir do XML, por exemplo, com a função XML ou analisando um arquivo com algo como:

import xml.etree.ElementTree as ET
root = ET.parse('thefile.xml').getroot()

Ou qualquer uma das muitas outras maneiras mostradas em ElementTree. Então faça algo como:

for type_tag in root.findall('bar/type'):
    value = type_tag.get('foobar')
    print(value)

E padrões de código semelhantes, geralmente bastante simples.

minidom é o mais rápido e bastante direto.

XML:

<data>
    <items>
        <item name="item1"></item>
        <item name="item2"></item>
        <item name="item3"></item>
        <item name="item4"></item>
    </items>
</data>

Pitão:

from xml.dom import minidom
xmldoc = minidom.parse('items.xml')
itemlist = xmldoc.getElementsByTagName('item')
print(len(itemlist))
print(itemlist[0].attributes['name'].value)
for s in itemlist:
    print(s.attributes['name'].value)

Resultado:

4
item1
item1
item2
item3
item4

Você pode usar o BeautifulSoup :

from bs4 import BeautifulSoup

x="""<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>"""

y=BeautifulSoup(x)
>>> y.foo.bar.type["foobar"]
u'1'

>>> y.foo.bar.findAll("type")
[<type foobar="1"></type>, <type foobar="2"></type>]

>>> y.foo.bar.findAll("type")[0]["foobar"]
u'1'
>>> y.foo.bar.findAll("type")[1]["foobar"]
u'2'

Existem muitas opções por aí. O cElementTree parece excelente se a velocidade e o uso da memória forem um problema. Tem muito pouca sobrecarga em comparação com a simples leitura no arquivo usando readlines.

As métricas relevantes podem ser encontradas na tabela abaixo, copiadas do site do cElementTree :

library                         time    space
xml.dom.minidom (Python 2.1)    6.3 s   80000K
gnosis.objectify                2.0 s   22000k
xml.dom.minidom (Python 2.4)    1.4 s   53000k
ElementTree 1.2                 1.6 s   14500k  
ElementTree 1.2.4/1.3           1.1 s   14500k  
cDomlette (C extension)         0.540 s 20500k
PyRXPU (C extension)            0.175 s 10850k
libxml2 (C extension)           0.098 s 16000k
readlines (read as utf-8)       0.093 s 8850k
cElementTree (C extension)  --> 0.047 s 4900K <--
readlines (read as ascii)       0.032 s 5050k   

Como apontado pelo @jfs , cElementTreevem com o Python:

• Python 2: from xml.etree import cElementTree as ElementTree.
• Python 3: from xml.etree import ElementTree(a versão C acelerada é usada automaticamente).

Sugiro xmltodict por simplicidade.

Ele analisa seu XML para um OrderedDict;

>>> e = '<foo>
             <bar>
                 <type foobar="1"/>
                 <type foobar="2"/>
             </bar>
        </foo> '

>>> import xmltodict
>>> result = xmltodict.parse(e)
>>> result

OrderedDict([(u'foo', OrderedDict([(u'bar', OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])]))]))])

>>> result['foo']

OrderedDict([(u'bar', OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])]))])

>>> result['foo']['bar']

OrderedDict([(u'type', [OrderedDict([(u'@foobar', u'1')]), OrderedDict([(u'@foobar', u'2')])])])

O lxml.objectify é realmente simples.

Tomando seu texto de exemplo:

from lxml import objectify
from collections import defaultdict

count = defaultdict(int)

root = objectify.fromstring(text)

for item in root.bar.type:
    count[item.attrib.get("foobar")] += 1

print dict(count)

Resultado:

{'1': 1, '2': 1}

Python tem uma interface para o analisador de XML expat.

xml.parsers.expat

É um analisador não validador, portanto, XML ruim não será capturado. Mas se você sabe que seu arquivo está correto, isso é muito bom, e você provavelmente obterá as informações exatas que deseja e poderá descartar o resto rapidamente.

stringofxml = """<foo>
    <bar>
        <type arg="value" />
        <type arg="value" />
        <type arg="value" />
    </bar>
    <bar>
        <type arg="value" />
    </bar>
</foo>"""
count = 0
def start(name, attr):
    global count
    if name == 'type':
        count += 1

p = expat.ParserCreate()
p.StartElementHandler = start
p.Parse(stringofxml)

print count # prints 4

Eu posso sugerir declxml .

Divulgação completa: escrevi esta biblioteca porque estava procurando uma maneira de converter entre estruturas de dados XML e Python sem precisar escrever dezenas de linhas de código de análise / serialização imperativo com o ElementTree.

Com declxml, você usa processadores para definir declarativamente a estrutura do seu documento XML e como mapear entre estruturas de dados XML e Python. Os processadores são usados ​​para serialização e análise, bem como para um nível básico de validação.

A análise nas estruturas de dados Python é simples:

import declxml as xml

xml_string = """
<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>
"""

processor = xml.dictionary('foo', [
    xml.dictionary('bar', [
        xml.array(xml.integer('type', attribute='foobar'))
    ])
])

xml.parse_from_string(processor, xml_string)

Qual produz a saída:

{'bar': {'foobar': [1, 2]}}

Você também pode usar o mesmo processador para serializar dados em XML

data = {'bar': {
    'foobar': [7, 3, 21, 16, 11]
}}

xml.serialize_to_string(processor, data, indent='    ')

Que produz a seguinte saída

<?xml version="1.0" ?>
<foo>
    <bar>
        <type foobar="7"/>
        <type foobar="3"/>
        <type foobar="21"/>
        <type foobar="16"/>
        <type foobar="11"/>
    </bar>
</foo>

Se você deseja trabalhar com objetos em vez de dicionários, também pode definir processadores para transformar dados para e de objetos.

import declxml as xml

class Bar:

    def __init__(self):
        self.foobars = []

    def __repr__(self):
        return 'Bar(foobars={})'.format(self.foobars)


xml_string = """
<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>
"""

processor = xml.dictionary('foo', [
    xml.user_object('bar', Bar, [
        xml.array(xml.integer('type', attribute='foobar'), alias='foobars')
    ])
])

xml.parse_from_string(processor, xml_string)

Que produz a seguinte saída

{'bar': Bar(foobars=[1, 2])}

Apenas para adicionar outra possibilidade, você pode usar desembaraçar , pois é uma biblioteca simples de XML para Python. Aqui você tem um exemplo:

Instalação:

pip install untangle

Uso:

Seu arquivo XML (um pouco alterado):

<foo>
   <bar name="bar_name">
      <type foobar="1"/>
   </bar>
</foo>

Acessando os atributos com untangle:

import untangle

obj = untangle.parse('/path_to_xml_file/file.xml')

print obj.foo.bar['name']
print obj.foo.bar.type['foobar']

A saída será:

bar_name
1

Mais informações sobre desembaraçar podem ser encontradas em " desembaraçar ".

Além disso, se você estiver curioso, poderá encontrar uma lista de ferramentas para trabalhar com XML e Python em " Python e XML ". Você também verá que os mais comuns foram mencionados por respostas anteriores.

Aqui está um código muito simples, mas eficaz, usando cElementTree.

try:
    import cElementTree as ET
except ImportError:
  try:
    # Python 2.5 need to import a different module
    import xml.etree.cElementTree as ET
  except ImportError:
    exit_err("Failed to import cElementTree from any known place")      

def find_in_tree(tree, node):
    found = tree.find(node)
    if found == None:
        print "No %s in file" % node
        found = []
    return found  

# Parse a xml file (specify the path)
def_file = "xml_file_name.xml"
try:
    dom = ET.parse(open(def_file, "r"))
    root = dom.getroot()
except:
    exit_err("Unable to open and parse input definition file: " + def_file)

# Parse to find the child nodes list of node 'myNode'
fwdefs = find_in_tree(root,"myNode")

Isso é do " python xml parse ".

XML:

<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>

Código Python:

import xml.etree.cElementTree as ET

tree = ET.parse("foo.xml")
root = tree.getroot() 
root_tag = root.tag
print(root_tag) 

for form in root.findall("./bar/type"):
    x=(form.attrib)
    z=list(x)
    for i in z:
        print(x[i])

Resultado:

foo
1
2

import xml.etree.ElementTree as ET
data = '''<foo>
           <bar>
               <type foobar="1"/>
               <type foobar="2"/>
          </bar>
       </foo>'''
tree = ET.fromstring(data)
lst = tree.findall('bar/type')
for item in lst:
    print item.get('foobar')

Isso imprimirá o valor do foobaratributo.

xml.etree.ElementTree vs. lxml

Estes são alguns profissionais das duas bibliotecas mais usadas que eu gostaria de conhecer antes de escolher entre elas.

xml.etree.ElementTree:

1. Na biblioteca padrão : não há necessidade de instalar nenhum módulo

lxml

1. Escreva facilmente uma declaração XML : por exemplo, você precisa adicionarstandalone="no" ?
2. Impressão bonita : você pode ter um bom XML recuado sem código extra.
3. Funcionalidade Objectify : permite que você use XML como se estivesse lidando com uma hierarquia de objetos Python normal .node.
4. sourceline permite obter facilmente a linha do elemento XML que você está usando.
5. você também pode usar um verificador de esquema XSD embutido.

Acho o Python xml.dom e xml.dom.minidom bastante fácil. Lembre-se de que o DOM não é bom para grandes quantidades de XML, mas se sua entrada for bastante pequena, isso funcionará bem.

Não há necessidade de usar uma API específica da lib, se você usar python-benedict. Apenas inicialize uma nova instância do seu XML e gerencie-a facilmente, pois é uma dictsubclasse.

A instalação é fácil: pip install python-benedict

from benedict import benedict as bdict

# data-source can be an url, a filepath or data-string (as in this example)
data_source = """
<foo>
   <bar>
      <type foobar="1"/>
      <type foobar="2"/>
   </bar>
</foo>"""

data = bdict.from_xml(data_source)
t_list = data['foo.bar'] # yes, keypath supported
for t in t_list:
   print(t['@foobar'])

Ele suporta e normaliza operações de E / S com muitos formatos: Base64, CSV, JSON, TOML, XML, YAMLe query-string.

É bem testado e de código aberto no GitHub .

#If the xml is in the form of a string as shown below then
from lxml  import etree, objectify
'''sample xml as a string with a name space {http://xmlns.abc.com}'''
message =b'<?xml version="1.0" encoding="UTF-8"?>\r\n<pa:Process xmlns:pa="http://xmlns.abc.com">\r\n\t<pa:firsttag>SAMPLE</pa:firsttag></pa:Process>\r\n'  # this is a sample xml which is a string


print('************message coversion and parsing starts*************')

message=message.decode('utf-8') 
message=message.replace('<?xml version="1.0" encoding="UTF-8"?>\r\n','') #replace is used to remove unwanted strings from the 'message'
message=message.replace('pa:Process>\r\n','pa:Process>')
print (message)

print ('******Parsing starts*************')
parser = etree.XMLParser(remove_blank_text=True) #the name space is removed here
root = etree.fromstring(message, parser) #parsing of xml happens here
print ('******Parsing completed************')


dict={}
for child in root: # parsed xml is iterated using a for loop and values are stored in a dictionary
    print(child.tag,child.text)
    print('****Derving from xml tree*****')
    if child.tag =="{http://xmlns.abc.com}firsttag":
        dict["FIRST_TAG"]=child.text
        print(dict)


### output
'''************message coversion and parsing starts*************
<pa:Process xmlns:pa="http://xmlns.abc.com">

    <pa:firsttag>SAMPLE</pa:firsttag></pa:Process>
******Parsing starts*************
******Parsing completed************
{http://xmlns.abc.com}firsttag SAMPLE
****Derving from xml tree*****
{'FIRST_TAG': 'SAMPLE'}'''

Se a fonte for um arquivo xml, diga como esta amostra

<pa:Process xmlns:pa="http://sssss">
        <pa:firsttag>SAMPLE</pa:firsttag>
    </pa:Process>

você pode tentar o seguinte código

from lxml import etree, objectify
metadata = 'C:\\Users\\PROCS.xml' # this is sample xml file the contents are shown above
parser = etree.XMLParser(remove_blank_text=True) # this line removes the  name space from the xml in this sample the name space is --> http://sssss
tree = etree.parse(metadata, parser) # this line parses the xml file which is PROCS.xml
root = tree.getroot() # we get the root of xml which is process and iterate using a for loop
for elem in root.getiterator():
    if not hasattr(elem.tag, 'find'): continue  # (1)
    i = elem.tag.find('}')
    if i >= 0:
        elem.tag = elem.tag[i+1:]

dict={}  # a python dictionary is declared
for elem in tree.iter(): #iterating through the xml tree using a for loop
    if elem.tag =="firsttag": # if the tag name matches the name that is equated then the text in the tag is stored into the dictionary
        dict["FIRST_TAG"]=str(elem.text)
        print(dict)

Saída seria

{'FIRST_TAG': 'SAMPLE'}