PythonでXMLをパースする

ElementTreeを使ってパースしてみた

PythonでXMLをパースする機会があったので、色々と弄ってみました。

まず、PythonでXMLをパースする際には、ElementTreeというライブラリを使用すると簡単そうだったので、こちらを利用して進めました。
使用するデータは、以下のようなものを想定しています。

<?xml version='1.0' encoding='utf-8'?>
<rss xmlns:atom="http://www.w3.org/2005/Atom" version="2.0">
  <data>
    <country name="Liechtenstein">
      <rank>1</rank>
      <year>2008</year>
      <gdppc>141100</gdppc>
      <neighbor name="Austria" direction="E"/>
      <dc:creator>john</dc:creator>
    </country>
    <country name="Singapore">
      <rank>4</rank>
      <year>2011</year>
      <gdppc>59900</gdppc>
      <neighbor name="Malaysia" direction="N"/>
      <dc:creator>dave</dc:creator>
    </country>
    <country name="Panama">
      <rank>68</rank>
      <year>2011</year>
      <gdppc>13600</gdppc>
      <neighbor name="Costa Rica" direction="W"/>
      <dc:creator>alex</dc:creator>
    </country>
  </data>
</rss>

ElementTreeを使用して、XMLをツリー構造化します。

まず、ElementTreeを使用して、XMLをツリー構造化します。

from xml.etree.ElementTree import parse, fromstring
from xml.parsers.expat import ExpatError

# ファイル名を指定する場合
try:
  tree = parse('sample.xml')
except ExpatError:
  self.fail("Unable to parse XML data from string")

# xmlを直接渡す場合
try:
  tree = fromstring('<?xml version="1.0"?>;....')
except ExpatError:
  self.fail("Unable to parse XML data from string")

ツリー構造化したobjectからタグを探す

続いて、ツリー構造化したものの中から、タグを探します。
今回の場合、dataの中にcountryが複数ある為、iterateしています。

for country in tree.find('data').getiterator('country'):
    # タグ内のテキストを取得
    country.find('rank').text
    # 属性値を取得
    country.find('neighbor').attrib['name']
    # prefixの付いた値を取得
    country.find("{http://purl.org/dc/elements/1.1/}" + 'creator').text

また、iterateせず、リストに入れた後に配列のindexを指定して、値を取得する方法もあります。

countries = tree.findall('data/country')
# 上記と同じように
for country in countries:
    # タグ内のテキストを取得
    country.find('rank').text
    # 属性値を取得
    country.find('neighbor').attrib['name']
    # prefixの付いた値を取得
    country.find("{http://purl.org/dc/elements/1.1/}" + 'creator').text

# index番号指定して、リスト内の値取得
countries[1].find('rank').text
countries[1].find('neighbor').attrib['name']

最後に

意外と、prefixを用いたdcの値を取得するのが大変でした。prefixが付いていると、ちょっと特殊な形として扱わないといけないんですね。