使用 xml.etree.ElementTree (简称ET) 来解析 xml 非常好用推荐给大家。按照我自己的理解,使用ET 解析xml 就像 遍历 字典一样 ,以如下数据为例
<?xml version="1.0" encoding="utf-8"?>
<SMP2019-ECISA>
<Doc ID="4">
<Sentence ID="1" label="2">转发了财新网的微博:【内鬼与大鳄姚刚张育军的唏嘘人生】(记者刘彩萍)近日,中国证券监督管理委员会原党委委员、副主席姚刚和原党委委员、主席助理张育军被查。</Sentence>
<Sentence ID="2">两位高级干部先后被双开并移交司法引发资本市场无限唏嘘,曾经的后备干部、创新先锋倒在了利益面前。</Sentence>
<Sentence ID="3">内鬼与大鳄姚刚张育军的唏嘘人生??</Sentence>
<Sentence ID="4">原图?</Sentence>
<Sentence ID="5">赞[21]?</Sentence>
<Sentence ID="6">原文转发[29]?</Sentence>
<Sentence ID="7">原文评论[52]转发理由:副主席,江湖上称发审皇帝,IPO审批制的坚决拥护者。</Sentence>
<Sentence ID="8">攀附山西王成,让一大批乐视这种垃圾公司上市,权?</Sentence>
<Sentence ID="9">贵牛的中枢。</Sentence>
<Sentence ID="10">人民牛,还缺一个市场化IPO,还多一个发审委。</Sentence>
</Doc>
</SMP2019-ECISA>
具体代码如下
import xml.etree.ElementTree as ET
in_file = 'SMP2019_ECISA_Dev.xml'
tree = ET.parse(in_file)
# 获得根节点 SMP2019-ECISA
root = tree.getroot()
# 遍历根节点
for doc in root:
# attrib 获得 doc 的属性
doc_attr = doc.attrib
print(doc_attr) # {'ID': '4'}
# 遍历doc 中的子元素
for sent in doc:
sent_attr = sent.attrib
print(sent_attr) # {'ID': '1', 'label': '2'}
# 获得正文
text = sent.text
print(text) #转发了财新网的微博:【内鬼与大鳄姚刚张育军的唏嘘人生】...
解析过程 非常简单,主要是三个点
- 直接使用 in 一层一层 遍历
- element.attrib 获得 对应元素的属性
- element.text 获得正文