Ik heb een XML-document dat ik probeer te ontleden met Etree.lxml
<Envelope xmlns="http://www.example.com/zzz/yyy">
<Header>
<Version>1</Version>
</Header>
<Body>
some stuff
<Body>
<Envelope>
Mijn code is:
path = "path to xml file"
from lxml import etree as ET
parser = ET.XMLParser(ns_clean=True)
dom = ET.parse(path, parser)
dom.getroot()
Als ik dom.getroot() probeer te krijgen, krijg ik:
<Element {http://www.example.com/zzz/yyy}Envelope at 28adacac>
Ik wil echter alleen:
<Element Envelope at 28adacac>
Als ik dat doe
dom.getroot().find("Body")
Ik krijg niets terug. Echter, wanneer ik
dom.getroot().find("{http://www.example.com/zzz/yyy}Body")
Ik krijg een resultaat.
Ik dacht dat het doorgeven van ns_clean=Trouw aan de parser dit zou voorkomen.
Enig idee?
Antwoord 1, autoriteit 100%
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))
Je kunt naamruimtebewuste nodes vinden met de xpath-methode:
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>]
Als u echt naamruimten wilt verwijderen, kunt u een XSL-transformatie gebruiken:
# 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)
Hier zien we dat de naamruimte is verwijderd:
print(ET.tostring(dom))
# <Envelope>
# <Header>
# <Version>1</Version>
# </Header>
# <Body>
# some stuff
# </Body>
# </Envelope>
Dus je kunt het Body-knooppunt nu op deze manier vinden:
print(dom.find("Body"))
# <Element Body at 8506cd4>
Antwoord 2, autoriteit 58%
Probeer Xpath te gebruiken:
dom.xpath("//*[local-name() = 'Body']")
Genomen (en vereenvoudigd) van deze pagina, onder de sectie “De xpath()-methode”
Antwoord 3, autoriteit 7%
De laatste oplossing van https://bitbucket.org/olauzanne/pyquery/issue/17 kan u helpen om naamruimten met weinig moeite te vermijden
pas
xml.replace(' xmlns:', ' xmlnamespace:')toe op uw xml voordat u pyquery gebruikt, zodat lxml naamruimten negeert
Probeer in jouw geval xml.replace(' xmlns="', ' xmlnamespace="'). Het kan echter zijn dat je iets ingewikkelders nodig hebt als de string ook in de lichamen wordt verwacht.
Antwoord 4, autoriteit 2%
Een andere niet al te slechte optie is om de QName-helper te gebruiken en deze in een functie met een standaardnaamruimte in te pakken:
from lxml import etree
DEFAULT_NS = 'http://www.example.com/zzz/yyy'
def tag(name, ns=DEFAULT_NS):
return etree.QName(ns, name)
dom = etree.parse(path)
body = dom.getroot().find(tag('Body'))
Antwoord 5
Je toont het resultaat van de repr()-aanroep. Wanneer u programmatisch door de boomstructuur beweegt, kunt u er gewoon voor kiezen om de naamruimte te negeren.