如何在lxml中使用find/findall来使用xml命名空间？

Question

我正试图解析OpenOffice ODS电子表格中的内容。 ods格式基本上只是一个包含大量文档的zip文件。电子表格的内容存储在'content.xml'中。

import zipfile 
from lxml import etree 

zf = zipfile.ZipFile('spreadsheet.ods') 
root = etree.parse(zf.open('content.xml')) 

电子表格的内容是在一个单元格：

table = root.find('.//{urn:oasis:names:tc:opendocument:xmlns:table:1.0}table') 

我们也可以直行行：

rows = root.findall('.//{urn:oasis:names:tc:opendocument:xmlns:table:1.0}table-row') 

各个元素知道的命名空间：

>>> table.nsmap['table'] 
'urn:oasis:names:tc:opendocument:xmlns:table:1.0' 

怎么办我直接在find/findall中使用命名空间？

显而易见的解决方案不起作用。

试图从表中的行：

>>> root.findall('.//table:table') 
Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
    File "lxml.etree.pyx", line 1792, in lxml.etree._ElementTree.findall (src/lxml/lxml.etree.c:41770) 
    File "lxml.etree.pyx", line 1297, in lxml.etree._Element.findall (src/lxml/lxml.etree.c:37027) 
    File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 225, in findall 
    return list(iterfind(elem, path)) 
    File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 200, in iterfind 
    selector = _build_path_iterator(path) 
    File "/usr/lib/python2.6/dist-packages/lxml/_elementpath.py", line 184, in _build_path_iterator 
    selector.append(ops[token[0]](_next, token)) 
KeyError: ':' 

Answer 1

如果root.nsmap包含table命名空间前缀，那么你可以：

root.xpath('.//table:table', namespaces=root.nsmap) 

findall(path)接受{namespace}name语法而不是namespace:name。因此path应该使用名称空间字典预处理到{namespace}name表格，然后将其传递到findall()。

Answer 2

以下是获取XML文档中所有命名空间的方法（并且假设没有前缀冲突）。

我在解析XML文档时使用了这个功能，我事先知道名称空间URL是什么，只有前缀。

 doc = etree.XML(XML_string) 

     # Getting all the name spaces. 
     nsmap = {} 
     for ns in doc.xpath('//namespace::*'): 
      if ns[0]: # Removes the None namespace, neither needed nor supported. 
       nsmap[ns[0]] = ns[1] 
     doc.xpath('//prefix:element', namespaces=nsmap) 

Answer 3

也许注意到的第一件事情是，命名空间 在元水平，不文档级别定义。

大多数情况下，虽然，所有的命名空间在文档的 根元素（office:document-content这里），它让我们可以分析它全部收集内xmlns范围声明。

然后，一个元件nsmap包括：

• 默认名称空间，与None前缀（不总是）
• 所有祖先的命名空间，除非被覆盖。

如果像ChrisR mentionned，默认的命名空间不支持， 可以使用dict comprehension在更紧凑的表达式过滤出来 。

对于xpath和 ElementPath，您有稍微不同的语法。

---

因此，这里是你可以用它来获取所有你的第一个表的行 代码（经测试：lxml=3.4.2）：

import zipfile 
from lxml import etree 

# Open and parse the document 
zf = zipfile.ZipFile('spreadsheet.ods') 
tree = etree.parse(zf.open('content.xml')) 

# Get the root element 
root = tree.getroot() 

# get its namespace map, excluding default namespace 
nsmap = {k:v for k,v in root.nsmap.iteritems() if k} 

# use defined prefixes to access elements 
table = tree.find('.//table:table', nsmap) 
rows = table.findall('table:table-row', nsmap) 

# or, if xpath is needed: 
table = tree.xpath('//table:table', namespaces=nsmap)[0] 
rows = table.xpath('table:table-row', namespaces=nsmap)