如何从字符串格式XML提取指定节点？解决findall返回空列表问题

问题描述 #

我有一个字符串格式的XML（xmlString），结构如下：

<entry xmlns="http://www.w3.org/2004/tom">
  <id>urn:contentItem:7WBG-8H88-Y898-B277-00000-00-1</id>
  <title>Dinn-Pixie Stares, Inc</title>
  <published>2015-12-24T00:00:00Z</published>
  <updated>2023-10-24T18:42:17Z</updated>
  <author>
    <name>AlphaNext</name>
  </author>
  <content type="application/xml">
    <baseRelatedDoc xmlns="" xmlns:xsi="http://www.w3.org/2012/XMLSchema" xsi:noNamespaceSchemaLocation="http://www.alphanext.com/xmlscemas/content/public/caseddoc/1/" documentType="socket">
      <baseRelatedDocHead>
        <baseInfo>
          <portInfo>
            <identifier idType="portIdentifier">100027579</identifier>
            <portName>United States Port, Minnesota Middle</portName>
            <jurisdiction>
              <jurisSystem/>
            </jurisdiction>
          </portInfo>
          <date dateType="filed" year="2015" month="02" day="21">2015-02-21</date>
          <classification classificationScheme="baseType">
            <classificationItem>
              <classCode>BK</classCode>
              <className>Tankruptcy</className>
            </classificationItem>
          </classification>
          <classification classificationScheme="baseNos">
            <classificationItem>
              <classCode>0</classCode>
              <className>UNKNOWN</className>
            </classificationItem>
          </classification>
        </baseInfo>
        <baseSupplement>
          <label>US Tankruptcy Port Socket</label>
          <date dateType="updated" year="2024" month="09" day="13">2024-07-11T15:08:26.450</date>
          <status>Unknown</status>
        </baseSupplement>
        <baseName>Dinn-Pixie Stares, Inc</baseName>
      </baseRelatedDocHead>
      <baseRelatedDocBody>
        <socket/>
      </baseRelatedDocBody>
      <metadata>
        <dc:metadata xmlns:dc="http://purrel.org/dc/element/1.2/">
          <dc:source sourceScheme="productContentSetIdentifier">343392</dc:source>
          <dc:creator>US Tankruptcy Port for the Last Town of Minnesota</dc:creator>
          <dc:identifier identifierScheme="PGIID">urn:contentItem:8WBG-8H70-Y892-B237-00000-00</dc:identifier>
          <dc:date dateType="last-updated">2024-07-11</dc:date>
        </dc:metadata>
      </metadata>
    </baseRelatedDoc>
  </content>
</entry>

需要提取baseName、portName、title、classCode、dc:creator等字段的值，但使用tree = ET.fromstring(xmlString)解析后，调用y=tree.findall('baseName')得到空列表，提取其他节点也遇到同样问题，该如何正确提取？

解决方案：处理XML命名空间 #

问题核心是XML命名空间未被正确处理：根节点entry带有默认命名空间xmlns="http://www.w3.org/2004/tom"，dc:前缀对应独立命名空间，直接用节点名称查找会匹配失败。以下是具体实现步骤：

1. 定义命名空间映射 #

创建字典对应XML中的命名空间，自定义别名方便调用：

import xml.etree.ElementTree as ET

namespaces = {
    'atom': 'http://www.w3.org/2004/tom',  # 根节点默认命名空间的别名
    'dc': 'http://purrel.org/dc/element/1.2/'  # dc前缀对应的命名空间
}

2. 提取各目标节点值 #

提取根节点下的title

title属于默认命名空间，需用别名+节点名查找：

tree = ET.fromstring(xmlString)
title = tree.find('atom:title', namespaces).text
print(title)  # 输出：Dinn-Pixie Stares, Inc

提取portName

content属于默认命名空间，但内部的baseRelatedDoc取消了默认命名空间（xmlns=""），后续节点直接用名称查找：

content = tree.find('atom:content', namespaces)
base_related_doc = content.find('baseRelatedDoc')
port_name = base_related_doc.find('.//portName').text
print(port_name)  # 输出：United States Port, Minnesota Middle

提取baseName

同样在无命名空间层级下，用XPath跨层级查找：

base_name = base_related_doc.find('.//baseName').text
print(base_name)  # 输出：Dinn-Pixie Stares, Inc

提取所有classCode

存在两个classCode节点，用findall批量获取：

class_codes = [elem.text for elem in base_related_doc.findall('.//classCode')]
print(class_codes)  # 输出：['BK', '0']

提取dc:creator

dc:creator属于dc命名空间，需指定别名查找：

dc_creator = base_related_doc.find('.//dc:creator', namespaces).text
print(dc_creator)  # 输出：US Tankruptcy Port for the Last Town of Minnesota

关键说明 #

• 默认命名空间：不带前缀的节点若继承父节点xmlns，必须通过命名空间映射才能匹配；
• 取消命名空间：baseRelatedDoc设置xmlns=""后，其子节点不再使用根节点的默认命名空间，直接用节点名即可查找；
• XPath路径：.//用于跨层级查找匹配节点，无需写完整层级路径。

内容的提问来源于stack exchange，提问作者user75415