Python:使用mini dom通过XML进行解析

Question

我正在解析一个相当大小的xml文件，遇到了一个问题。由于某些原因，我无法提取数据，即使我以前对不同的xml文件做过完全相同的事情。

下面是我的代码片段：(程序的其余部分，我已经测试过了，它们运行得很好)编辑:更改为包含一个测试尝试&除了块

def parseXML():
    file = open(str(options.drugxml),'r')
    data = file.read()
    file.close()
    dom = parseString(data)
    druglist = dom.getElementsByTagName('drug')

    with codecs.open(str(options.csvdata),'w','utf-8') as csvout, open('DrugTargetRel.csv','w') as dtout:
        for entry in druglist:
        count = count + 1
        try:
            drugtype = entry.attributes['type'].value
            print count
        except:
            print count
            print entry
            drugidObj = entry.getElementsByTagName('drugbank-id')[0]
            drugid = drugidObj.childNodes[0].nodeValue
            drugnameObj = entry.getElementsByTagName('name')[0]
            drugname = drugnameObj.childNodes[0].nodeValue

            targetlist = entry.getElementsByTagName('target')
            for target in targetlist:
                targetid = target.attributes['partner'].value
                dtout.write((','.join((drugid,targetid)))+'\n')

            csvout.write((','.join((drugid,drugname,drugtype)))+'\n')

如果您想知道XML文件的模式大致是什么样子，下面是一个糟糕透顶的级别草图：

<drugs>
   <drug type='something' ...>
      <drugbank-id>
      <name>
      ...
      <targets>
         <target partner='something'>

我在这里输入的那些文件，我需要从XML文件中提取出来，并把它放在csv文件中(如上面的代码所示)，而且代码以前也适用于不同的xml文件，不知道为什么它不能处理这个文件。我在“类型”上得到了KeyError，我还在网上发现了索引错误，即使每种药物都有一种药物，但都可以提取药物。我在搞什么鬼？

编辑:我正在提取的东西保证在每种药物中。

对于任何关心此事的人，下面是我正在解析的XML文件的链接：http://www.drugbank.ca/system/downloads/current/drugbank.xml.zip

编辑:在实现了一个try &除块(见上面)之后，我发现了以下内容:在模式中，有一些称为“药物交互”的部分，其中也有一个子字段名为see。就像这样：

 <drugs>
       <drug type='something' ...>
          <drugbank-id>
          <name>
          ...
          <targets>
             <target partner='something'>
          <drug-interactions>
             <drug>

我想我的药物列表=dom.getElementsByTagName(‘药物’)也是无意中捡到的--我不知道我怎么能解决这个问题.有什么建议吗？

Answer 1

基本上，当parsin使用xml时，您不能依赖您知道结构这一事实。找出代码中的结构是一个很好的实践。

因此，每次访问元素或属性时，请先检查是否存在。在您的代码中，它意味着：

确保药物元素上有一个属性“type”：

drugtype = entry.attributes['type'].value if entry.attributes.has_key('type') else 'defaulttype'

确保getElementsByTagName在访问其元素之前不返回空数组：

drugbank-id = entry.getElementsByTagName('drugbank-id')
drugidObj = drugbank-id[0] if drugbank-id else None

另外，在访问子节点之前，请确保有以下内容：

if drugidObj.hasChildNodes:
    drugid = drugidObj.childNodes[0].nodeValue

或者使用for循环循环遍历它们。

当您在药物组上调用getElementsByTagName时，它会返回所有元素，包括嵌套元素。若要只获取药物元素(这些元素是药物元素的dirrect子元素)，您必须使用childNodes属性。

Answer 2

我有一种感觉，也许是因为内存不足或其他原因发生了一些奇怪的事情，所以我用迭代器重写了解析器，并对每种药物进行了测试，并使程序得以完成，而不引起异常。

基本上，我在这里要做的是，不是将整个XML文件加载到内存中，而是解析每个<drug>和</drug>标记的开头和结尾的XML文件。然后每次使用minidom解析。

代码可能有点脆弱，因为我假设每个<drug>和</drug>对都在各自的行上。希望这比伤害更有帮助。

#!python
import codecs
from xml.dom import minidom

class DrugBank(object):
    def __init__(self, filename):
        self.fp = open(filename, 'r')

    def __iter__(self):
        return self

    def next(self):
        state = 0

        while True:
            line = self.fp.readline()

            if state == 0:
                if line.strip().startswith('<drug '):
                    lines = [line]
                    state = 1
                    continue

                if line.strip() == '</drugs>':
                    self.fp.close()
                    raise StopIteration()

            if state == 1:
                lines.append(line)
                if line.strip() == '</drug>':
                    return minidom.parseString("".join(lines))

with codecs.open('csvout.csv', 'w', 'utf-8') as csvout, open('dtout.csv', 'w') as dtout:
    db = DrugBank('drugbank.xml')
    for dom in db:
        entry = dom.firstChild
        drugtype = entry.attributes['type'].value
        drugidObj = entry.getElementsByTagName('drugbank-id')[0]
        drugid = drugidObj.childNodes[0].nodeValue
        drugnameObj = entry.getElementsByTagName('name')[0]
        drugname = drugnameObj.childNodes[0].nodeValue

        targetlist = entry.getElementsByTagName('target')
        for target in targetlist:
            targetid = target.attributes['partner'].value
            dtout.write((','.join((drugid,targetid)))+'\n')

        csvout.write((','.join((drugid,drugname,drugtype)))+'\n')

这里有一个有趣的读物，可能对你有进一步的帮助：http://www.ibm.com/developerworks/xml/library/x-hiperfparse/