如何使用Python XML findall查找'<v:imagedata r:id="rId7&quo

Question

我正在尝试从带有命名空间xmlns:v="urn:schemas-microsoft-com:vml"<v:imagedata r:id="rId7" o:title="1-REN"/>的 Word 文档中查找所有内容，但我无法弄清楚语法到底是什么。

文档只涵盖了非常简单的情况，并且加入了 URN 和 VML 组合，我似乎无法让我在网上看到的任何示例都起作用。有没有人碰巧知道它是什么？

我正在尝试做这样的事情：

namespace = {'v': "urn:schemas-microsoft-com:vml"}
results = ET.fromstring(xml).findall("imagedata", namespace)
for image_id in results:
print(image_id)

编辑：@aneroid写的是1000%的正确答案，超级有帮助。你应该对它投赞成票。也就是说，在了解了所有这些之后 - 我选择了 BS4 答案，因为它完全按照我的需要😂在两行中完成了整个工作。如果您实际上并不关心命名空间，那么似乎更容易。

Answer 1

在 Python 3.8 中使用 ElementTree，您可以简单地使用通配符 ({*}( 作为命名空间：

results = ET.fromstring(xml).findall(".//{*}imagedata") 

请注意.//部分，这意味着搜索整个文档(所有后代(。

Answer 2

ET.findall()vsBS4.find_all()：

• 默认情况下，ElementTree 的findall()不是递归^的*。它只会找到所提供节点的直接子节点。因此，在您的情况下，它只是直接在根元素下搜索图像节点。
  • ^*根据 MZJN 下面的评论，在match参数(标签或路径(前面加上".//"将在树中的任何位置搜索该节点，因为它支持 XPath。
• 美丽汤的find_all()搜索所有后代。因此，它可以在树中的任何位置找到"图像数据"节点。

• 但是，ElementTree.iter()确实会搜索所有后代。使用文档中的"使用命名空间"示例：

  >>> for char in root.iter('{http://characters.example.com}character'):
  ...     print(' |-->', char.text)
  ...
  |--> Lancelot
  |--> Archie Leach
  |--> Sir Robin
  |--> Gunther
  |--> Commander Clement
  

• 可悲的是，ET.iterfind()将命名空间作为字典(如 ET.findall(使用，也不搜索后代，默认情况下只搜索直接子项^*。就像ET.findall一样。除了如何处理标签中''的空字符串在命名空间中，一个返回列表而另一个返回迭代器之外，我不能说ET.findall和ET.iterfind之间有有意义的区别。
  • ^*与上述ET.findall()一样，前缀".//"使其搜索整个树(与任何节点匹配(。

---

当您将命名空间与 ET 一起使用时，您仍然需要带有标签的命名空间名称。结果行应为：

namespace = {'v': "urn:schemas-microsoft-com:vml"}
results = ET.fromstring(xml).findall("v:imagedata", namespace)  # note the 'v:'

另外，'v'不需要是'v'，如果需要，您可以将其更改为更有意义的内容：

namespace = {'image': "urn:schemas-microsoft-com:vml"}
results = ET.fromstring(xml).findall("image:imagedata", namespace)

当然，如果它们不是根的直接子元素，这仍然不一定会让你获得所有的 imagedata 元素。为此，您需要创建一个递归函数来为您执行此操作。请参阅SO上的此答案，了解如何操作。请注意，虽然该答案进行了递归搜索，但如果后代深度太...深。

要获取树中任意位置的所有图像数据元素，请使用".//"前缀：

results = ET.fromstring(xml).findall(".//v:imagedata", namespace)

Answer 3

我将保持这个问题悬而未决，但我目前使用的解决方法是使用 BeautifulSoup，它很乐意接受v:语法。

soup = BeautifulSoup(xml, "lxml")
results = soup.find_all("v:imagedata")