☰

análisis xml de Python

tag-icon • tag-icon python xml
análisis xml de Python

Tengo que eliminar etiquetas particulares de un archivo xml. XML de muestra a continuación.

       <data>
          <tag:action/>
        </data>

Quiero eliminar todo el contenido entre datos y/datos. Las etiquetas XML no se muestran en la pregunta después de la publicación.

Puedo hacer esto usando el método remove() en el analizador xml Python ElementTree. Estoy escribiendo el contenido modificado en uno nuevo después de eliminar el elemento.

tree.write('new.xml');

El problema es que todos los nombres de etiquetas en el archivo xml original se renombran a ns0, ns1y así sucesivamente en new.xml.

¿Hay alguna forma de modificar el archivo XML manteniendo intactos todos los demás contenidos?

Respuesta1

Puedes usar una sopa hermosa para hacer el trabajo:

#!/usr/bin/python
# -*- coding: utf-8 -*-

import bs4

content = '''
<people>

  <person born="1975">
    <name>
      <first_name>John</first_name>
      <last_name>Doe</last_name>
    </name>
    <profession>computer scientist</profession>
    <homepage href="http://www.example.com/johndoe"/>
  </person>

  <person born="1977">
    <name>
      <first_name>Jane</first_name>
      <last_name>Doe</last_name>
    </name>
    <profession>computer scientist</profession>
    <homepage href="http://www.example.com/janedoe"/>
  </person>

</people>
'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(content)

for s in soup('name'):
    s.extract()

print(soup)

Produce el siguiente resultado:

<html><body><people>
<person born="1975">

<profession>computer scientist</profession>
<homepage href="http://www.example.com/johndoe"></homepage>
</person>
<person born="1977">

<profession>computer scientist</profession>
<homepage href="http://www.example.com/janedoe"></homepage>
</person>
</people>
</body></html>

Con espacios de nombres:

#!/usr/bin/python
# -*- coding: utf-8 -*-

import bs4

content = '''<people xmlns:h="http://www.example.com/to/">

  <h:person born="1975">
    <h:name>
      <h:first_name>John</h:first_name>
      <h:last_name>Doe</h:last_name>
    </h:name>
    <h:profession>computer scientist</h:profession>
    <h:homepage href="http://www.example.com/johndoe"/>
  </h:person>

  <h:person born="1977">
    <h:name>
      <h:first_name>Jane</h:first_name>
      <h:last_name>Doe</h:last_name>
    </h:name>
    <h:profession>computer scientist</h:profession>
    <h:homepage href="http://www.example.com/janedoe"/>
  </h:person>

</people>
'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(content).people

for s in soup('h:name'):
    s.extract()

print(soup)

Agregué .peoplepara prevenir <html><body> </body></html>en el resultado.

<people xmlns:h="http://www.example.com/to/">
<h:person born="1975">

<h:profession>computer scientist</h:profession>
<h:homepage href="http://www.example.com/johndoe"></h:homepage>
</h:person>
<h:person born="1977">

<h:profession>computer scientist</h:profession>
<h:homepage href="http://www.example.com/janedoe"></h:homepage>
</h:person>
</people>

información relacionada