使用Python ElementTree API遍历XML失败的问题排查

按照Python官方ElementTree教程操作示例XML（根节点为<data>，包含多个<country>子元素）时，以下代码能正常遍历并输出三次"FOUND"：

import xml.etree.ElementTree as ET

tree = ET.parse('Country.xml')
root = tree.getroot()

for country in root.findall('country'):
    print("FOUND")

但处理自己的MediaWiki导出XML（根节点为<mediawiki>，包含命名空间，且存在一个<page>子元素）时，使用类似逻辑的代码既无"FOUND"输出也无报错：

import xml.etree.ElementTree as ET

tree = ET.parse('Test.xml')
root = tree.getroot()

for page in root.findall('page'):
    print("FOUND")

原因分析 #

MediaWiki导出的XML带有XML命名空间，比如根节点通常包含类似xmlns="http://www.mediawiki.org/xml/export-0.10/"的属性。ElementTree的findall方法默认不会识别无前缀的标签名，必须显式指定命名空间才能匹配到对应元素。

解决方案 #

方法1：提取命名空间映射后使用前缀查找 #

先从根节点标签中提取命名空间，再通过命名空间映射查找元素：

import xml.etree.ElementTree as ET

tree = ET.parse('Test.xml')
root = tree.getroot()

# 从根节点标签中提取命名空间
ns_prefix = root.tag.split('}')[0].strip('{')
ns = {'mw': ns_prefix}

# 带命名空间前缀查找page元素
for page in root.findall('mw:page', ns):
    print("FOUND")

方法2：直接使用完整命名空间标签名 #

如果已知MediaWiki XML的命名空间，也可以直接写全带命名空间的标签名：

import xml.etree.ElementTree as ET

tree = ET.parse('Test.xml')
root = tree.getroot()

# 替换为你实际的MediaWiki命名空间
for page in root.findall('{http://www.mediawiki.org/xml/export-0.10/}page'):
    print("FOUND")

内容的提问来源于stack exchange，提问作者Nielsi_