問題
単純なXMLドキュメントからデータを抽出したいとします。
解決
xml.etree.ElementTreeモジュールを使用して、単純なXMLドキュメントからデータを抽出できます。実例を示すために、PlanetPythonでRSSフィードを解析するとします。対応するコードは次のとおりです。
from urllib.request import urlopen
from xml.etree.ElementTree import parse
# Download the RSS feed and parse it
u =urlopen('http://planet.python.org/rss20.xml')
doc =parse(u)
# Extract and output tags of interest
for item in doc.iterfind('channel/item'):
title = item.findtext('title')
date = item.findtext('pubDate')
link = item.findtext('link')print(title)print(date)print(link)print()
上記のコードを実行すると、出力は次のようになります。
Steve Holden: Python for Data Analysis
Mon, 19 Nov 2012 02:13:51 +0000
http://holdenweb.blogspot.com/2012/11/python-for-data-analysis.html
Vasudev Ram: The Python Data model (for v2 and v3)
Sun, 18 Nov 2012 22:06:47 +0000
http://jugad2.blogspot.com/2012/11/the-python-data-model.html
Python Diary: Been playing around with Object Databases
Sun, 18 Nov 2012 20:40:29 +0000
http://www.pythondiary.com/blog/Nov.18,2012/been-…-object-databases.html
Vasudev Ram: Wakari, Scientific Python in the cloud
Sun, 18 Nov 2012 20:19:41 +0000
http://jugad2.blogspot.com/2012/11/wakari-scientific-python-in-cloud.html
Jesse Jiryu Davis: Toro: synchronization primitives for Tornado coroutines
Sun, 18 Nov 2012 20:17:49 +0000
http://feedproxy.google.com/~r/EmptysquarePython/~3/_DOZT2Kd0hQ/
明らかに、さらに処理を行いたい場合は、print（）ステートメントを置き換えて他の興味深いことを実行する必要があります。
話し合います
多くのアプリケーションでは、XMLエンコーディング形式でデータを処理することが非常に一般的です。 XMLはインターネット上のデータ交換で広く使用されているだけでなく、アプリケーションデータ（ワード処理、音楽ライブラリなど）を格納するための一般的な形式でもあります。以下の説明は、読者がXMLの基本にすでに精通していることを前提としています。
多くの場合、XMLを使用してデータのみを格納する場合、対応するドキュメント構造は非常にコンパクトで直感的です。たとえば、上記の例のRSSフィードは、次の形式に似ています。
<? xml version="1.0"?<rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/"<channel
< title Planet Python</title
< link http://planet.python.org/</link
< language en</language
< description Planet Python - http://planet.python.org/</description
< item
< title Steve Holden: Python for Data Analysis</title
< guid http://holdenweb.blogspot.com/...-data-analysis.html</guid
< link http://holdenweb.blogspot.com/...-data-analysis.html</link
< description ...</description
< pubDate Mon,19 Nov 201202:13:51+0000</pubDate
< /item
< item
< title Vasudev Ram: The Python Data model(for v2 and v3)</title
< guid http://jugad2.blogspot.com/...-data-model.html</guid
< link http://jugad2.blogspot.com/...-data-model.html</link
< description ...</description
< pubDate Sun,18 Nov 201222:06:47+0000</pubDate
< /item
< item
< title Python Diary: Been playing around with Object Databases</title
< guid http://www.pythondiary.com/...-object-databases.html</guid
< link http://www.pythondiary.com/...-object-databases.html</link
< description ...</description
< pubDate Sun,18 Nov 201220:40:29+0000</pubDate
< /item
...< /channel
< /rss
xml.etree.ElementTree.parse（）この関数は、XMLドキュメント全体を解析し、それをドキュメントオブジェクトに変換します。次に、find（）、iterfind（）、およびfindtext（）メソッドを使用して、特定のXML要素を検索できます。これらの関数のパラメーターは、 channel / itemやtitleなどの指定されたタグ名です。タグを指定するたびに、ドキュメント構造全体をトラバースする必要があります。各検索操作は、開始要素から開始されます。同様に、各操作に指定されたタグ名は、開始要素の相対パスでもあります。たとえば、 doc.iterfind（ 'channel / item'）を実行して、channel要素の下にあるすべてのitem要素を検索します。 docは、ドキュメントの最上位（つまり、第1レベルのrss要素）を表します。次に、 item.findtext（）を呼び出すと、見つかったアイテム要素の位置から検索が開始されます。 ElementTreeモジュールの各要素には、解析に非常に役立ついくつかの重要なプロパティとメソッドがあります。 tag属性にはタグの名前が含まれ、text属性には内部テキストが含まれ、 get（）メソッドは属性値を取得できます。例えば：
doc
< xml.etree.ElementTree.ElementTree object at 0x101339510
e = doc.find('channel/title')
e
< Element 'title' at 0x10135b310
e.tag
' title'
e.text
' Planet Python'
e.get('some_attribute')
強調すべきことの1つは、XMLを解析する方法は xml.etree.ElementTreeだけではないということです。より高度なアプリケーションの場合は、 lxmlの使用を検討する必要があります。 ElementTreeと同じプログラミングインターフェイスを使用するため、上記の例は lxmlにも適用されます。開始したばかりのimportステートメントを from lxml.etree importparseに置き換えるだけです。 lxmlはXML標準に完全に準拠しており、非常に高速です。検証、XSLT、XPathなどの機能もサポートしています。
Recommended Posts