Python脚本无法匹配Excel与XML元素问题排查求助

问题说明 #

需实现功能：检查Excel文件（xlsx）中列出的元素是否在XML文件的naaccrId属性中至少精确匹配一次，并将匹配/未匹配结果导出到新Excel文件。现有使用xml.etree.ElementTree和pandas库的脚本将所有元素判定为未找到，即使存在完全匹配项，调整Excel元素格式（含/不含空格）无效，怀疑未遍历XML的Patient、Tumor子元素。

代码问题分析 #

1. XML遍历范围不足：原read_xml函数仅遍历根节点的直接子元素，未递归遍历深层的Patient、Tumor节点下的Item元素，导致大量naaccrId属性未被收集。
2. 匹配逻辑偏离需求：原代码尝试将Excel整行的键值对与XML行数据做全匹配，但实际需求是检查Excel中的单个元素值是否存在于XML的naaccrId属性集合中，逻辑完全不符。

修正后的完整代码 #

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

def collect_all_naaccr_ids(xml_file):
    """递归遍历XML所有节点，收集所有Item元素的naaccrId属性值"""
    tree = ET.parse(xml_file)
    root = tree.getroot()
    naaccr_ids = set()
    
    # 递归遍历所有元素
    def traverse(node):
        if node.tag == 'Item' and 'naaccrId' in node.attrib:
            naaccr_ids.add(node.attrib['naaccrId'])
        for child in node:
            traverse(child)
    
    traverse(root)
    return naaccr_ids

def check_excel_against_xml(excel_file, naaccr_ids, excel_column='naaccr_id'):
    """检查Excel指定列的元素是否在naaccr_ids集合中，返回匹配结果"""
    df = pd.read_excel(excel_file)
    # 添加匹配结果列
    df['匹配状态'] = df[excel_column].apply(lambda x: '找到' if str(x).strip() in naaccr_ids else '未找到')
    return df

if __name__ == "__main__":
    xml_file = 'Data.xml'
    excel_file = 'List4.xlsx'
    # 请根据实际Excel列名修改这里的参数
    target_column = 'naaccr_id'
    
    # 收集XML中所有naaccrId
    all_naaccr_ids = collect_all_naaccr_ids(xml_file)
    # 检查Excel元素并生成结果
    result_df = check_excel_against_xml(excel_file, all_naaccr_ids, target_column)
    
    # 导出结果到Excel，分sheet显示匹配/未匹配项
    output_excel_file = 'output_results.xlsx'
    with pd.ExcelWriter(output_excel_file) as writer:
        result_df[result_df['匹配状态'] == '找到'].to_excel(writer, sheet_name='匹配项', index=False)
        result_df[result_df['匹配状态'] == '未找到'].to_excel(writer, sheet_name='未匹配项', index=False)
    
    print(f"结果已保存到 {output_excel_file}")

关键修改说明 #

• 递归遍历XML：新增traverse递归函数，遍历所有层级的节点，确保收集到包括Patient、Tumor下所有Item的naaccrId属性。
• 匹配逻辑调整：将Excel指定列的元素与收集到的naaccrId集合做精确匹配（去除首尾空格），符合需求。
• 结果输出优化：直接在原Excel数据基础上添加匹配状态列，并分sheet导出匹配/未匹配项，保留原始数据信息。

内容的提问来源于stack exchange，提问作者Janek