如何解决Python提取XML同类型多实例数据导出Excel的覆盖问题

现有Python脚本可提取MODS/METS格式XML数据并导出到Excel，已实现单组XML对应Excel一行，但无法处理同一类型的多实例数据——比如XML中存在多个<mods:titleInfo type="alternative">节点时，仅最后一个实例被记录。需要将这类多实例数据合并到同一单元格（用分隔符区分）或分栏展示，且不能新增Excel行。

现有代码片段 #

import xml.etree.ElementTree as ET
import openpyxl

def extract_mods_data(xml_path):
    tree = ET.parse(xml_path)
    root = tree.getroot()
    ns = {'mods': 'http://www.loc.gov/mods/v3'}
    data = {}
    
    # 当前仅提取最后一个alternative title
    alt_titles = root.findall('.//mods:titleInfo[@type="alternative"]/mods:title', ns)
    if alt_titles:
        data['alternative_title'] = alt_titles[-1].text
    
    # 其他字段提取逻辑...
    return data

def export_to_excel(data_list, excel_path):
    wb = openpyxl.Workbook()
    ws = wb.active
    headers = ['alternative_title', ...]
    ws.append(headers)
    for data in data_list:
        row = [data.get(header, '') for header in headers]
        ws.append(row)
    wb.save(excel_path)

# 调用示例
xml_files = ['sample.xml']
data_list = [extract_mods_data(file) for file in xml_files]
export_to_excel(data_list, 'output.xlsx')

XML示例片段 #

<mods:mods xmlns:mods="http://www.loc.gov/mods/v3">
    <mods:titleInfo type="alternative">
        <mods:title>替代标题1</mods:title>
    </mods:titleInfo>
    <mods:titleInfo type="alternative">
        <mods:title>替代标题2</mods:title>
    </mods:titleInfo>
    <!-- 其他节点 -->
</mods:mods>

核心思路是将同一类型的多实例节点内容批量收集，再通过合并字符串或分栏填充的方式存入Excel行中，以下是两种可行方案：

方案1：合并到同一单元格（推荐） #

将所有同类型节点的文本用分隔符（如分号、换行符）拼接，存入单个单元格：

def extract_mods_data(xml_path):
    tree = ET.parse(xml_path)
    root = tree.getroot()
    ns = {'mods': 'http://www.loc.gov/mods/v3'}
    data = {}
    
    # 收集所有alternative title并拼接
    alt_title_elements = root.findall('.//mods:titleInfo[@type="alternative"]/mods:title', ns)
    if alt_title_elements:
        # 用分号+空格分隔，也可替换为'\n'实现单元格内换行
        data['alternative_title'] = '; '.join([elem.text.strip() for elem in alt_title_elements if elem.text])
    else:
        data['alternative_title'] = ''
    
    # 其他多实例字段同理处理，比如多个创作者
    creators = root.findall('.//mods:name[@type="personal"]/mods:namePart', ns)
    if creators:
        data['creators'] = '; '.join([c.text.strip() for c in creators if c.text])
    
    return data

方案2：分栏展示 #

若需要每个实例单独占用一列，先遍历所有XML文件确定该字段的最大实例数，再生成对应表头并填充数据：

def get_max_instance_count(xml_files, ns, xpath):
    # 遍历所有文件，获取指定节点的最大实例数
    max_count = 0
    for file in xml_files:
        tree = ET.parse(file)
        root = tree.getroot()
        count = len(root.findall(xpath, ns))
        if count > max_count:
            max_count = count
    return max_count

# 初始化配置
xml_files = ['sample.xml']
ns = {'mods': 'http://www.loc.gov/mods/v3'}
max_alt_title_count = get_max_instance_count(xml_files, ns, './/mods:titleInfo[@type="alternative"]/mods:title')
headers = [f'alternative_title_{i+1}' for i in range(max_alt_title_count)]
# 追加其他字段表头...

def extract_mods_data_for_columns(xml_path, max_alt_count):
    tree = ET.parse(xml_path)
    root = tree.getroot()
    ns = {'mods': 'http://www.loc.gov/mods/v3'}
    data = {}
    
    alt_title_elements = root.findall('.//mods:titleInfo[@type="alternative"]/mods:title', ns)
    # 按列填充，实例不足时留空
    for i in range(max_alt_count):
        if i < len(alt_title_elements) and alt_title_elements[i].text:
            data[f'alternative_title_{i+1}'] = alt_title_elements[i].text.strip()
        else:
            data[f'alternative_title_{i+1}'] = ''
    
    return data

# 提取数据并导出
data_list = [extract_mods_data_for_columns(file, max_alt_title_count) for file in xml_files]
def export_to_excel_columns(data_list, headers, excel_path):
    wb = openpyxl.Workbook()
    ws = wb.active
    ws.append(headers)
    for data in data_list:
        row = [data.get(header, '') for header in headers]
        ws.append(row)
    wb.save(excel_path)

export_to_excel_columns(data_list, headers, 'output_columns.xlsx')

注意事项 #

• 使用strip()去除文本前后空白，避免单元格内出现无效空格
• 若用换行符分隔内容，需在Excel中手动设置对应单元格的「自动换行」属性
• 若使用lxml库替代xml.etree，处理逻辑完全一致，仅需修改导入语句为from lxml import etree

内容的提问来源于stack exchange，提问作者Spazman