如何用Python的ElementTree提取XML的xml:id值到DataFrame

我正在把XML格式的书目信息转换成可用格式，最后一步是提取biblStruct元素的xml:id属性值并添加到Pandas DataFrame里，已经用ElementTree和Pandas完成了其他操作。

需要提取的示例XML结构：

<biblStruct type="book" xml:id="Kagawa2014" corresp="http://zotero.org/users/local/fmahZILk/items/EAK64XAU">
    <monogr>
<!-- 省略内部内容 -->
    </monogr>
</biblStruct>

目标是提取其中的Kagawa2014。

尝试过的方法及问题 #

方法一 #

for biblStruct in root.findall('.//tei:biblStruct', namespace):
    id_elem = biblStruct.attrib('xml:id')

报错：TypeError: 'dict' object is not callable

方法二 #

xmlID = []
for biblStruct in root.findall('.//tei:biblStruct', namespace):
    id_elem = biblStruct.get('{http://w3.org/XML/1998/namespace}id')
    id_text = id_elem.text if id_elem is not None else ''
    xmlID.append(id_text)

data = {
    'XML_ID':xmlID
}
df = pd.DataFrame(data)
print(df)

问题：返回的DataFrame只显示行号（0,1,2...），没有正确的xml:id值。

方法三 #

xmlID = []
for biblStruct in root.findall('.//tei:biblStruct', namespace):
    id_elem = biblStruct.get('{http://w3.org/XML/1998/namespace}id')
    xmlID.append(id_elem)

data_again = {
    'XML_ID': xmlID
}
df_again = pd.DataFrame(data_again)
print(df_again)

问题：DataFrame行数翻倍，且未获取到正确的xml:id值。

正确解决方案 #

问题根源 #

1. 方法一错把attrib字典当成函数调用，应该用索引或get方法访问属性。
2. 方法二误把属性当成子元素，xml:id是属性值，本身就是字符串，不需要用.text。
3. 方法三大概率是xmlID列表被重复初始化或循环重复执行，导致行数翻倍。

可行代码 #

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

# 假设已完成XML解析，root为根元素，namespace是命名空间字典（比如{'tei': 'http://www.tei-c.org/ns/1.0'}）
xmlID = []

for biblStruct in root.findall('.//tei:biblStruct', namespace):
    # 两种获取xml:id的方式二选一：
    # 方式1：使用完整命名空间URI（更规范）
    xml_id = biblStruct.get('{http://www.w3.org/XML/1998/namespace}id')
    # 方式2：直接用属性名（部分场景下解析器会保留前缀）
    # xml_id = biblStruct.attrib.get('xml:id')
    
    # 处理空值，避免DataFrame出现None
    xmlID.append(xml_id if xml_id is not None else '')

# 生成DataFrame
df = pd.DataFrame({'XML_ID': xmlID})
print(df)

注意事项 #

• xml:id属于XML标准命名空间，URI固定为http://www.w3.org/XML/1998/namespace，用get方法时带完整URI更稳妥。
• 属性值直接是字符串，不要去访问.text，.text是给子元素的文本内容用的。
• 确保xmlID列表只初始化一次，放在循环外面，避免重复添加数据导致行数异常。

内容的提问来源于stack exchange，提问作者K Mc