web-dev-qa-db-ja.com

lxml etree xmlparserは不要な名前空間を削除します

Etree.lxmlを使用して解析しようとしているxmlドキュメントがあります

<Envelope xmlns="http://www.example.com/zzz/yyy">
  <Header>
    <Version>1</Version>
  </Header>
  <Body>
    some stuff
  <Body>
<Envelope>

私のコードは:

path = "path to xml file"
from lxml import etree as ET
parser = ET.XMLParser(ns_clean=True)
dom = ET.parse(path, parser)
dom.getroot()

Dom.getroot()を取得しようとすると、次のようになります。

<Element {http://www.example.com/zzz/yyy}Envelope at 28adacac>

しかし、私だけが欲しい:

<Element Envelope at 28adacac>

私がする時

dom.getroot().find("Body")

何も返されません。しかし、私が

dom.getroot().find("{http://www.example.com/zzz/yyy}Body") 

結果が得られます。

Ns_clean = Trueをパーサーに渡すとこれを防ぐことができると思いました。

何か案は?

51
Mark
import io
import lxml.etree as ET

content='''\
<Envelope xmlns="http://www.example.com/zzz/yyy">
  <Header>
    <Version>1</Version>
  </Header>
  <Body>
    some stuff
  </Body>
</Envelope>
'''    
dom = ET.parse(io.BytesIO(content))

xpathメソッドを使用して、名前空間を認識するノードを見つけることができます。

body=dom.xpath('//ns:Body',namespaces={'ns':'http://www.example.com/zzz/yyy'})
print(body)
# [<Element {http://www.example.com/zzz/yyy}Body at 90b2d4c>]

名前空間を本当に削除したい場合は、XSL変換を使用できます。

# http://wiki.tei-c.org/index.php/Remove-Namespaces.xsl
xslt='''<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" indent="no"/>

<xsl:template match="/|comment()|processing-instruction()">
    <xsl:copy>
      <xsl:apply-templates/>
    </xsl:copy>
</xsl:template>

<xsl:template match="*">
    <xsl:element name="{local-name()}">
      <xsl:apply-templates select="@*|node()"/>
    </xsl:element>
</xsl:template>

<xsl:template match="@*">
    <xsl:attribute name="{local-name()}">
      <xsl:value-of select="."/>
    </xsl:attribute>
</xsl:template>
</xsl:stylesheet>
'''

xslt_doc=ET.parse(io.BytesIO(xslt))
transform=ET.XSLT(xslt_doc)
dom=transform(dom)

ここでは、名前空間が削除されています。

print(ET.tostring(dom))
# <Envelope>
#   <Header>
#     <Version>1</Version>
#   </Header>
#   <Body>
#     some stuff
#   </Body>
# </Envelope>

したがって、この方法でBodyノードを見つけることができます。

print(dom.find("Body"))
# <Element Body at 8506cd4>
52
unutbu

Xpathを使用してみてください:

dom.xpath("//*[local-name() = 'Body']")

このページ の「xpath()メソッド」セクションから取得(および簡略化)

28
dusan

https://bitbucket.org/olauzanne/pyquery/issue/17 からの最後の解決策は、少しの労力で名前空間を回避するのに役立ちます。

pyqueryを使用する前にxml.replace(' xmlns:', ' xmlnamespace:')をxmlに適用して、lxmlが名前空間を無視するようにします

あなたの場合、xml.replace(' xmlns="', ' xmlnamespace="')を試してください。ただし、文字列がボディでも同様に予想される場合は、より複雑なものが必要になる場合があります。

1
Andrei