如何处理多分支XML并将重复标签数据完整保存至DataFrame？

XML文件同一分支下存在大量重复标签（如<RowData>），使用原有代码时这类重复标签的数据会被后续数据覆盖，无法完整留存，需要实现将所有数据完整存储到DataFrame中。

原有尝试代码：

import pandas as pd
from xml.etree import ElementTree

path=str('data.xml')

with open(path, mode="r", encoding="utf-8") as f:
    xml_file = f.read()

items_delete=['<ObjectRelation>','</ObjectRelation>','<List>','</List>','<RowData>','</RowData>','<Kind>','</Kind>']

for item in items_delete:
    xml_file=xml_file.replace(item, '')

df = pd.read_xml(xml_file)

XML数据示例：

<ItemList>
    <ItemData>
        <ObjectRelation>
            <ObjectCadastreNr>01000180062</ObjectCadastreNr>
            <ObjectType>PARCEL</ObjectType>
        </ObjectRelation>
        <List>
            <RowData>
                <Kind>
                    <KindId>7312050201</KindId>
                    <KindName>ekspluatācijas aizsargjoslas teritorija gar elektrisko tīklu kabeļu līniju</KindName>
                </Kind>
                <Nr>1</Nr>
                <EstablishDate>1997-02-24</EstablishDate>
                <Area>0.0127</Area>
                <Measure>ha</Measure>
            </RowData>
            <RowData>
                <Kind>
                    <KindId>7312040200</KindId>
                    <KindName>ekspluatācijas aizsargjoslas teritorija gar elektronisko sakaru tīklu gaisvadu līniju</KindName>
                </Kind>
                <Nr>3</Nr>
                <EstablishDate>1996-01-13</EstablishDate>
            </RowData>
        </List>
    </ItemData>

    <ItemData>
        <ObjectRelation>
            <ObjectCadastreNr>01000180062</ObjectCadastreNr>
            <ObjectType>PARCEL</ObjectType>
        </ObjectRelation>
        <List>
            <RowData>
                <Kind>
                    <KindId>7312060100</KindId>
                    <KindName>ekspluatācijas aizsargjoslas teritorija gar pazemes siltumvadu, siltumapgādes iekārtu un būvi</KindName>
                </Kind>
                <Nr>5</Nr>
                <EstablishDate>1997-01-13</EstablishDate>
            </RowData>
        </List>
    </ItemData>
</ItemList>

原有代码的问题在于直接删除了所有嵌套标签的外层结构，导致XML层级混乱，pandas无法识别重复的<RowData>节点，最终出现数据覆盖。正确的做法是手动解析XML结构，将每个<ItemData>下的公共信息（ObjectRelation里的字段）与每个<RowData>的信息合并，再统一存入DataFrame。

实现代码如下：

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

# 解析XML文件
tree = ET.parse('data.xml')
root = tree.getroot()

# 存储所有行数据的列表
all_rows = []

# 遍历每个ItemData节点
for item_data in root.findall('ItemData'):
    # 获取ObjectRelation下的公共字段
    obj_relation = item_data.find('ObjectRelation')
    cadastre_nr = obj_relation.find('ObjectCadastreNr').text
    obj_type = obj_relation.find('ObjectType').text
    
    # 遍历当前ItemData下的所有RowData节点
    for row_data in item_data.find('List').findall('RowData'):
        # 初始化当前行的字典，先存入公共字段
        row_dict = {
            'ObjectCadastreNr': cadastre_nr,
            'ObjectType': obj_type
        }
        
        # 获取Kind下的字段
        kind = row_data.find('Kind')
        row_dict['KindId'] = kind.find('KindId').text
        row_dict['KindName'] = kind.find('KindName').text
        
        # 获取RowData下的其他字段
        for elem in row_data:
            if elem.tag != 'Kind':  # 跳过已经处理的Kind节点
                row_dict[elem.tag] = elem.text if elem.text is not None else None
        
        # 将当前行添加到列表
        all_rows.append(row_dict)

# 转换为DataFrame
df = pd.DataFrame(all_rows)
print(df)

代码说明 #

• 手动遍历XML的层级结构，确保每个<RowData>都被单独处理，不会被覆盖
• 将<ObjectRelation>中的公共信息（如地籍号、对象类型）复制到每个对应的<RowData>行中，保证数据的关联性
• 处理可能存在的空值（如部分RowData没有Area和Measure字段），避免报错
• 最终生成的DataFrame会包含所有RowData的完整数据，每个RowData对应一行

内容的提问来源于Stack Exchange，提问作者Tetiana Lem