Skip to main content
 首页 » 编程设计

python元素树iterparse过滤节点和 child

2024年10月25日10grandyang

我正在尝试使用 elementTree 的 iterparse 函数根据文本过滤节点并将它们写入新文件。我正在使用 iterparse,因为输入文件很大(100+ MB)

输入.xml

<xmllist> 
        <page id="1"> 
        <title>movie title 1</title> 
        <text>this is a moviein theatres/text> 
        </page> 
        <page id="2"> 
        <title>movie title 2</title> 
        <text>this is a horror film</text> 
        </page> 
        <page id="3"> 
        <title></title> 
        <text>actor in film</text> 
        </page> 
        <page id="4"> 
        <title>some other topic</title> 
        <text>nothing related</text> 
        </page> 
</xmllist> 

预期输出(文本中包含“movie”或“film”的所有页面)

<xmllist> 
        <page id="1"> 
        <title>movie title 1</title> 
        <text>this is a movie<n theatres/text> 
        </page> 
        <page id="2"> 
        <title>movie title 2</title> 
        <text>this is a horror film</text> 
        </page> 
        <page id="3"> 
        <title></title> 
        <text>actor in film</text> 
        </page> 
</xmllist> 

当前代码

import xml.etree.cElementTree as etree 
from xml.etree.cElementTree import dump 
 
output_file=open('/tmp/outfile.xml','w') 
 
for event, elem in iter(etree.iterparse("/tmp/test.xml", events=('start','end'))): 
    if event == "end" and elem.tag == "page": #need to add condition to search for strings 
        output_file.write(elem) 
        elem.clear() 

如何添加正则表达式以根据页面的文本属性进行过滤?

请您参考如下方法:

您要查找的是子项,而不是属性,因此最简单的方法是在标题在迭代中“经过”时对其进行分析并记住结果,直到您到达结果页面的末尾:

import re 
 
good_page = False 
for event, elem in iter(etree.iterparse("/tmp/test.xml", events=('start','end'))): 
    if event == 'end': 
        if elem.tag = 'title': 
            good_page = re.search(r'film|movie', elem.text) 
        elif elem.tag == 'page': 
            if good_page: 
                output_file.write(elem) 
            good_page = False 
            elem.clear() 

如果未找到,re.search 将返回 None,而 if 将其视为 false,因此我们避免编写没有标题的页面以及标题文本与您想要的 RE 不匹配的页面。