使用Python ElementTree迭代多个(父,子)节点

ElementTree for Python(2.6)的标准实现不提供指向父节点的父节点的指针.因此,如果需要父母,建议循环过父母而不是孩子.

考虑我的xml是这样的形式：

<Content>
  <Para>first</Para>
  <Table><Para>second</Para></Table>
  <Para>third</Para>
</Content>

以下查找所有“Para”节点而不考虑父节点：

(1) paras = [p for p in page.getiterator("Para")]

这(改编自effbot)通过循环它们而不是子节点来存储父节点：

(2) paras = [(c,p) for p in page.getiterator() for c in p]

这是完全合理的,并且可以使用条件扩展以实现(假设)与(1)相同的结果,但添加了父信息：

(3) paras = [(c,p) for p in page.getiterator() for c in p if c.tag == "Para"]

ElementTree documentation表明getiterator()方法执行深度优先搜索.在不查找父级(1)的情况下运行它会产生：

first
second
third

但是,从(3)中的段落中提取文本,得出：

first, Content>Para
third, Content>Para
second, Table>Para

这似乎是广度优先的.

因此,这提出了两个问题.

>这是正确和预期的行为吗？
>如果必须保留文档顺序,那么当子项必须属于某种类型但父项可以是任何项时,如何提取(父项,子项)元组.我不认为运行两个循环并将(3)生成的(父,子)映射到(1)生成的顺序是理想的.

解决方法:

考虑一下：

>>> xml = """<Content>
...   <Para>first</Para>
...   <Table><Para>second</Para></Table>
...   <Para>third</Para>
... </Content>"""
>>> import xml.etree.cElementTree as et
>>> page = et.fromstring(xml)
>>> for p in page.getiterator():
...     print "ppp", p.tag, repr(p.text)
...     for c in p:
...         print "ccc", c.tag, repr(c.text), p.tag
...
ppp Content '\n  '
ccc Para 'first' Content
ccc Table None Content
ccc Para 'third' Content
ppp Para 'first'
ppp Table None
ccc Para 'second' Table
ppp Para 'second'
ppp Para 'third'
>>> 

旁白：列表推导是非常壮观的,直到你想要确切地看到正在迭代的内容:-)

getiterator在广告订单中生成“ppp”元素.但是,您从子公司“ccc”元素中提取您感兴趣的元素,这些元素不符合您的预期顺序.

一种解决方案是进行自己的迭代：

>>> def process(elem, parent):
...    print elem.tag, repr(elem.text), parent.tag if parent is not None else None
...    for child in elem:
...       process(child, elem)
...
>>> process(page, None)
Content '\n  ' None
Para 'first' Content
Table None Content
Para 'second' Table
Para 'third' Content
>>>

现在,您可以将“Para”元素进行snarf,每个元素在流过时都会引用其父元素(如果有).

这可以很好地包含在生成器小工具中：

>>> def iterate_with_parent(elem):
...     stack = []
...     while 1:
...         for child in reversed(elem):
...             stack.append((child, elem))
...         if not stack: return
...         elem, parent = stack.pop()
...         yield elem, parent
...
>>>
>>> showtag = lambda e: e.tag if e is not None else None
>>> showtext = lambda e: repr((e.text or '').rstrip())
>>> for e, p in iterate_with_parent(page):
...     print e.tag, showtext(e), showtag(p)
...
Para 'first' Content
Table '' Content
Para 'second' Table
Para 'third' Content
>>>