如何在Google Refine中使用jython/python ElementTree解析xml ?

Question

我试图解析一些xml在谷歌细化使用Jython和ElementTree，但我很难找到任何文档来帮助我得到这个工作(可能没有帮助不是一个python编码器)

这是我试图解析的XML的摘录。我试图返回所有dc:indentifier的连接字符串:

<oai_dc:dc xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
  <dc:creator>J. Koenig</dc:creator>
  <dc:date>2010-01-13T15:47:38Z</dc:date>
  <dc:date>2010-01-13T15:47:38Z</dc:date>
  <dc:date>2010-01-13T15:47:38Z</dc:date>
  <dc:identifier>CCTL0059</dc:identifier>
  <dc:identifier>CCTL0059</dc:identifier>
  <dc:identifier>http://open.jorum.ac.uk:80/xmlui/handle/123456789/335</dc:identifier>
  <dc:format>application/pdf</dc:format>
</oai_dc:dc>

这是我目前得到的代码。这是一个返回任何东西的测试，因为现在我得到的是'Error: null'

from elementtree import ElementTree as ET
element = ET.parse(value)
namespace = "{http://www.openarchives.org/OAI/2.0/oai_dc/}"
e = element.findall('{0}identifier'.format(namespace))
for i in e:
   count += 1
return count

Answer 1

您可以像这样使用GREL表达式，试试:

forEach(value.parseHtml().select("dc|identifier"),v,v.htmlText()).join(",")

对于找到的每个标识符，给我htmlText并用逗号将它们连接起来。parseHtml()使用Jsoup.org库，实际上只是解析标签和结构。它还知道如何用ns|identifier的格式解析名称空间，在这种情况下，这是一种很好的方式来获得您想要的内容。

Answer 2

您使用了错误的名称空间。这适用于Jython 2.5.1:

from xml.etree import ElementTree as ET
element = ET.fromstring(value) # `value` is a string with the xml from question
namespace = "{http://purl.org/dc/elements/1.1/}"
for e in element.getiterator(namespace+'identifier'):
    print e.text

输出

CCTL0059
CCTL0059
http://open.jorum.ac.uk:80/xmlui/handle/123456789/335

Answer 3

这是对J.F. Sebastian的版本的一个轻微调整，可以直接粘贴到Google Refine:

from xml.etree import ElementTree as ET
element = ET.fromstring(value)
namespace = "{http://purl.org/dc/elements/1.1/}"
return ','.join([e.text for e in element.getiterator(namespace+'identifier')])

返回一个逗号分隔的列表，但是您可以更改return语句中使用的分隔符。