Python ElementTree

Question

我有一个XML文件，格式如下：

<dir name="A">
    <dir name="B">
        <file name="foo.txt"/>
    </dir>
    <dir name="C">
        <dir name="D">
            <file name="bar.txt"/>
        </dir>
    </dir>
</dir>
<dir name="E">
    <file name="bat.txt"/>
    <file name="cat.txt"/>
</dir>
<dir name="F">
    <dir name="G">
        <file name="dog.txt"/>
        <file name="rabbit.txt"/>
    </dir>
</dir>

我想使用python ElementTree模块来删除任何包含元素的元素。也就是说，我希望获得XML文件的内部元素(其中不包含另一个元素的元素)，以及它们的所有子元素。我希望将任何这样的元素设置为外层。例如，对于上面的XML文件，对应的输出文件为：

<dir name="B">
    <file name="foo.txt"/>
</dir>
<dir name="D">
    <file name="bar.txt"/>
</dir>
<dir name="E">
    <file name="bat.txt"/>
    <file name="cat.txt"/>
</dir>
<dir name="G">
    <file name="dog.txt"/>
    <file name="rabbit.txt"/>
</dir>

我如何才能做到这一点？

Answer 1

注意use iterparse时访问元素的顺序--这是深度优先搜索：

import xml.etree.ElementTree as ET

with open('data', 'rb') as f:
    context = ET.iterparse(f, events=('start', 'end'))
    for event, elem in context:
        if elem.tag == 'dir':
            name = elem.get('name')
            print(event, name)

收益率

('start', 'A')
('start', 'B')     <-- ('start', 'B') is follow immediately by ('end', 'B')
('end', 'B')       <--
('start', 'C')
('start', 'D')     <-- start is follow immediately by end
('end', 'D')
('end', 'C')
('end', 'A')
('start', 'E')     <-- start is follow immediately by end
('end', 'E')
('start', 'F')
('start', 'G')     <-- start is follow immediately by end
('end', 'G')
('end', 'F')

啊哈，您正在寻找的元素--嵌套最深的dir元素--是那些iterparse首先使用start事件访问，然后紧接着使用end事件访问的元素(至少当我们只查看dir元素时是这样的)。

因此，使用这个想法，我们可以将这些元素收集到一个新的root元素中，以获得所需的XML：

root = ET.Element('root')
previous_name = None
with open('data', 'rb') as f:
    context = ET.iterparse(f, events=('start', 'end'))
    for event, elem in context:
        if elem.tag == 'dir':
            name = elem.get('name')
            if event == 'start':
                previous_name = name
            elif previous_name == name:
                root.append(elem)
print(ET.tostring(root))

收益率

<root><dir name="B">
        <file name="foo.txt" />
    </dir>
    <dir name="D">
            <file name="bar.txt" />
        </dir>
    <dir name="E">
    <file name="bat.txt" />
    <file name="cat.txt" />
</dir>
<dir name="G">
        <file name="dog.txt" />
        <file name="rabbit.txt" />
    </dir>
</root>

注意，在iterparse访问任何元素之后，上面的iterparse代码不会清除任何元素。如果XML很大，在不清除任何元素的情况下使用iterparse可能会占用太多内存。在这种情况下，为了性能和更好的内存管理，我会使用lxml和fast_iter。