XML в Pandas DF с пространствами имен — Python

Мне нужно преобразовать загрузку XML из Wordpress в Pandas DF, чтобы выполнить некоторый анализ данных.

XML создается автоматически и имеет несколько пространств имен:

<rss version = "2.0"
    xmlns:excerpt = "http://wordpress.org/export/1.2/excerpt/"
    xmlns:content = "http://purl.org/rss/1.0/modules/content/"
    xmlns:wfw = "http://wellformedweb.org/CommentAPI/"
    xmlns:dc = "http://purl.org/dc/elements/1.1/"
    xmlns:wp = "http://wordpress.org/export/1.2/"
>

И в файле сотни <item>s, каждый из них с сотнями полей. Пример одного:

<item>
        <title>MockTitle</title>
        <link>https://mock.url.io/?post_type=mock&#038;p=992</link>
        <pubDate>Fri, 30 Oct 2020 20:47:53 +0000</pubDate>

        (...)

        <wp:postmeta>
            <wp:meta_key><![CDATA[_customer_user]]></wp:meta_key>
            <wp:meta_value><![CDATA[0]]></wp:meta_value>
        </wp:postmeta>
        
        <wp:postmeta>
            <wp:meta_key><![CDATA[_payment_method]]></wp:meta_key>
            <wp:meta_value><![CDATA[paypal]]></wp:meta_value>
        </wp:postmeta>

        <wp:postmeta>
            <wp:meta_key><![CDATA[_payment_method_title]]></wp:meta_key>
            <wp:meta_value><![CDATA[PayPal]]></wp:meta_value>
        </wp:postmeta>

        <wp:postmeta>
            <wp:meta_key><![CDATA[_customer_ip_address]]></wp:meta_key>
            <wp:meta_value><![CDATA[1.1.1.15]]></wp:meta_value>
        </wp:postmeta>

        <wp:postmeta>
            <wp:meta_key><![CDATA[_customer_user_agent]]></wp:meta_key>
            <wp:meta_value><![CDATA[Mock Info about the agent]]></wp:meta_value>
        </wp:postmeta>

        (...)
</item>
<item>
...

Мой код может легко извлекать такие элементы, как title и pubDate, но я не знаю, как я могу сделать это для поиска по wp:meta_key и фактически вытащить wp:meta_value, соответствующий этому ключу. Мне не хватает этого, чтобы иметь возможность создавать фреймы данных с конкретной информацией, которую я хочу.

Вот мой код:

import pandas as pd
import xml.etree.ElementTree as et 

xtree = et.parse("data.xml")
xroot = xtree.getroot()

for item in xroot: 
    order_number = item.find("./title").text
    date = item.find("./pubDate").text

#Don't know how to access the different wp:postmeta's and search by wp:meta_key...

Доступен ли вам lxml? Если да, то это можно легко сделать.

Jack Fleeting 09.12.2020 21:37

Привет! Спасибо @JackFleeting. Да, я мог бы использовать его. Не могли бы вы привести мне быстрый пример или направить меня в правильном направлении для исследования, как бы я поступил с lxml? Мне как бы нужно доставить как можно скорее, и время исследований сейчас очень ценно :)

Lanski 09.12.2020 22:13
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
2
2
147
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Используя упрощенную версию вашего xml и lxml с xpath:

rss = """<rss version = "2.0"
    xmlns:excerpt = "http://wordpress.org/export/1.2/excerpt/"
    xmlns:content = "http://purl.org/rss/1.0/modules/content/"
    xmlns:wfw = "http://wellformedweb.org/CommentAPI/"
    xmlns:dc = "http://purl.org/dc/elements/1.1/"
    xmlns:wp = "http://wordpress.org/export/1.2/"
>
<items>
<item>
        <title>MockTitle</title>
        <link>https://mock.url.io/?post_type=mock&#038;p=992</link>
        <pubDate>Fri, 30 Oct 2020 20:47:53 +0000</pubDate>
        <wp:postmeta>
            <wp:meta_key><![CDATA[_customer_user]]></wp:meta_key>
            <wp:meta_value><![CDATA[0]]></wp:meta_value>
        </wp:postmeta>        
        <wp:postmeta>
            <wp:meta_key><![CDATA[_payment_method]]></wp:meta_key>
            <wp:meta_value><![CDATA[paypal]]></wp:meta_value>
        </wp:postmeta>
</item>
<item>
        <title>MockTitle2</title>
        <link>https://mock2.url.io/?post_type=mock&#038;p=992</link>
        <pubDate>Fri, 30 Oct 2220 20:47:53 +0000</pubDate>
        <wp:postmeta>
            <wp:meta_key><![CDATA[_customer_user]]></wp:meta_key>
            <wp:meta_value><![CDATA[02]]></wp:meta_value>
        </wp:postmeta>        
        <wp:postmeta>
            <wp:meta_key><![CDATA[_payment_method]]></wp:meta_key>
            <wp:meta_value><![CDATA[paypal2]]></wp:meta_value>
        </wp:postmeta>
</item>
</items>
</rss>"""

from lxml import etree
doc = etree.XML(rss)
ns = { (k if k else "xx"):(v) for k, v in doc.xpath('//namespace::*') }

#searching, for example, for "_payment_method"

for company in doc.xpath("//wp:meta_key[.='_payment_method']/following-sibling::wp:meta_value/text()", namespaces=ns):
    print(company)

Выход:

paypal
paypal2

МОЙ БОГ! Удивительный. С очень небольшими правками это работает. Я пошел на сверхподробный тангенс, извлекая текст всех meta_keys и meta_values, и заархивируя их в словарь, а затем выполняя поиск. Это намного лаконичнее. Изменения, которые я должен был внести в код решения, для тех, у кого может быть такой же вопрос: - Мне пришлось использовать doc = etree.parse("filename.xml), потому что я извлекал из файла. - В логике поиска пришлось заменить , namespaces=nsmap2 на , namespaces = ns

Lanski 09.12.2020 23:55

@Lanski Да, последняя была опечаткой, которую я тем временем отредактировал. В любом случае, рад, что это сработало для вас! Если мы закончили, не забудьте принять ответ, пожалуйста.

Jack Fleeting 10.12.2020 00:28

Другие вопросы по теме