如何用Python提取仅含键名、无模板URL的XML XPath

核心思路 #

• 移除XML命名空间前缀，避免XPath中出现冗长的命名空间URL
• 递归遍历所有节点，构建仅包含元素名的层级路径
• 统一处理空文本/无文本节点，返回None而非空白字符
• 清理XML中的冗余空白，避免干扰文本值判断

代码实现 #

from lxml import etree

def extract_clean_xpaths(xml_content):
    # 解析XML时自动移除空白文本节点
    parser = etree.XMLParser(remove_blank_text=True)
    tree = etree.fromstring(xml_content, parser)
    
    # 遍历所有节点，剥离命名空间前缀
    for elem in tree.iter():
        if elem.tag.startswith('{'):
            elem.tag = elem.tag.split('}', 1)[1]
    
    result = []
    
    def traverse(node, current_path):
        # 处理节点文本：非空则去首尾空白，空值转为None
        node_text = node.text.strip() if node.text else None
        if node_text == '':
            node_text = None
        
        # 根节点路径为空字符串，可根据需求过滤
        if current_path:
            result.append((current_path, node_text))
        
        # 递归遍历子节点，拼接路径
        for child in node:
            child_path = f"{current_path}/{child.tag}" if current_path else child.tag
            traverse(child, child_path)
    
    traverse(tree, '')
    return result

# 测试用带命名空间的XML
test_xml = """
<root xmlns="http://example.com/ns">
    <language>
        <terminology_id>
            <value>ISO_639-1</value>
        </terminology_id>
        <code_string>xx</code_string>
    </language>
    <territory>
        <terminology_id>
            <value>ISO_3166-1</value>
        </terminology_id>
    </territory>
</root>
"""

# 执行并输出结果
print(extract_clean_xpaths(test_xml))

代码说明 #

• 命名空间处理：将带命名空间的标签（如{http://example.com/ns}language）直接转换为纯标签名language，避免路径中出现命名空间URL
• 空白清理：解析XML时启用remove_blank_text=True，同时对节点文本做strip()处理，彻底消除\n\t\t这类冗余空白
• 路径构建：通过递归遍历，拼接父节点路径与当前节点名，生成类似language/terminology_id/value的简洁路径
• 空值统一：无文本或文本为空的节点，统一返回None，完全匹配需求示例格式

输出结果 #

运行代码后将得到与需求一致的结果：

[('language/terminology_id/value', 'ISO_639-1'), ('language/terminology_id', None), ('language/code_string', 'xx'), ('language', None), ('territory/terminology_id/value', 'ISO_3166-1'), ('territory/terminology_id', None), ('territory', None)]

内容的提问来源于stack exchange，提问作者Poe Dator