Python用BeautifulSoup解析XML时如何解决列表索引越界错误？

你需要解析以下XML文件生成pandas DataFrame：

<?xml version="1.0" encoding="UTF-8"?>
<Entries>
 <EntrySynopsisDetail_1_0>
        <EntryID>262148</EntryID>
        <EntryTitle>Establishment of the Graduate Internship Program</EntryTitle>
        <CategoryOfEntry>ENG</CategoryOfEntry>
</EntrySynopsisDetail_1_0>
<EntrySynopsisDetail_1_0>
<EntryID>2667654</EntryID>
        <EntryTitle>Call for Mobility Program</EntryTitle>
        <CategoryOfEntry>ENG</CategoryOfEntry>
        <CategoryOfEntry>MAT</CategoryOfEntry>
 </EntrySynopsisDetail_1_0>
</Entries>

你的实现代码如下：

from bs4 import BeautifulSoup
import pandas as pd 

fd = open("file_120123.xml",'r')
data = fd.read()

Bs_data = BeautifulSoup(data,'xml')

ID = Bs_data.find_all('EntryID')
Title = Bs_data.find_all('EntryTitle')
try: 
   Cat = Bs_data.find_all('CategoryOfEntry')
except IndexError:
   Cat = ''

CatDict = {
    "ENG":"English",
    "MAT" :"Mathematics"
}

dataDf = []
for i in range(0,len(ID)):
      if (Cat[i] == CatDict):
        Cat[i] == CatDict.get(Cat[i])
       
      rows = [ID[i].get_text(), Title[i].get_text(), Cat[i])
      dataDf.append(rows)
    
df = pd.DataFrame(dataDf, columns =['ID', 'Title', 'Category'], dtype=float)
df.to_csv('120123.csv')

运行代码时，在if (Cat[i] == CatDict):行的Cat[i]处出现IndexError: list index out of range错误，需要解决该问题。

问题分析与修复方案 #

错误根源 #

1. 标签匹配逻辑错误：你把所有<CategoryOfEntry>标签提取成一个全局列表，但每个条目（<EntrySynopsisDetail_1_0>）下的类别数量不同，直接按ID的索引去取Cat列表的元素，必然出现索引越界。
2. 存在多个语法/逻辑错误：
   • try...except块无效：find_all不会抛出IndexError，无匹配标签时返回空列表，捕获逻辑完全没用。
   • 类别匹配逻辑错误：Cat[i] == CatDict是把标签对象和字典直接比较，永远为False；且用双等号==代替赋值号=，根本不会修改值。
   • 语法错误：rows列表的括号不匹配；dtype=float会把ID转成浮点数，没必要且可能出错。

修复后的代码 #

from bs4 import BeautifulSoup
import pandas as pd 

# 读取XML文件，用with语句自动管理资源
with open("file_120123.xml",'r') as fd:
    data = fd.read()

Bs_data = BeautifulSoup(data,'xml')
CatDict = {"ENG":"English", "MAT":"Mathematics"}

dataDf = []
# 遍历每个条目节点，保证ID、Title、Category一一对应
for entry in Bs_data.find_all('EntrySynopsisDetail_1_0'):
    # 提取当前条目的ID和Title
    entry_id = entry.find('EntryID').get_text()
    entry_title = entry.find('EntryTitle').get_text()
    
    # 提取当前条目的所有类别，转换为字典对应的名称
    categories = entry.find_all('CategoryOfEntry')
    # 处理无类别的情况，多类别用逗号分隔（也可存为列表）
    if categories:
        cat_names = [CatDict.get(cat.get_text(), cat.get_text()) for cat in categories]
        category = ', '.join(cat_names)
    else:
        category = ''
    
    dataDf.append([entry_id, entry_title, category])

# 生成DataFrame，自动推断类型，避免强制转float
df = pd.DataFrame(dataDf, columns=['ID', 'Title', 'Category'])
df.to_csv('120123.csv', index=False)

关键改进点 #

• 按条目节点遍历：直接遍历每个<EntrySynopsisDetail_1_0>，确保每个条目的子标签是对应的，彻底解决索引越界问题。
• 类别处理优化：对每个条目单独提取类别，自动转换为字典中的名称，同时处理无类别的情况。
• 语法修正：修复括号不匹配、赋值符号错误等问题；用with语句管理文件，避免资源泄漏。
• 类型优化：去掉dtype=float，让pandas自动推断数据类型，更合理。

内容的提问来源于stack exchange，提问作者tachyon