Python xml.etree.ElementTree解析带命名空间XML的XPath错误求助

核心问题分析 #

1. XPath路径错误：在Element对象上调用findall时使用//开头的绝对路径会触发SyntaxError，因为//是从根节点开始的绝对路径，而Element对象的findall默认基于当前节点的相对路径查找。
2. 命名空间未处理：ODF文档的content.xml使用draw:、text:等命名空间前缀，直接用前缀查找节点会失败，必须先映射前缀对应的命名空间URI。
3. 节点选择逻辑错误：原代码中//*[@name='draw:page']是按属性name查找，实际draw:page是节点标签名，不是属性值。

解决方案步骤 #

1. 处理命名空间 #

ODF文档的命名空间是标准固定的，可手动定义映射：

namespaces = {
    'draw': 'urn:oasis:names:tc:opendocument:xmlns:drawing:1.0',
    'text': 'urn:oasis:names:tc:opendocument:xmlns:text:1.0'
}

也可以从XML根节点动态提取所有命名空间：

def extract_namespaces(root):
    ns = {}
    for prefix, uri in root.nsmap.items():
        ns[prefix] = uri
    return ns

# 使用示例
doc = ET.fromstring(ostr)
namespaces = extract_namespaces(doc)

2. 修正节点查找与文本提取逻辑 #

先从根节点获取所有draw:page节点，再在每个page节点内相对查找text:p元素，并递归提取其及子元素的文本：

import xml.etree.ElementTree as ET

ostr = self.m_odf.read('content.xml')
doc = ET.fromstring(ostr)

# 定义命名空间映射
namespaces = {
    'draw': 'urn:oasis:names:tc:opendocument:xmlns:drawing:1.0',
    'text': 'urn:oasis:names:tc:opendocument:xmlns:text:1.0'
}

# 获取所有draw:page节点（根节点使用绝对路径）
self.pages = doc.findall('.//draw:page', namespaces=namespaces)

# 遍历page节点，提取所有text:p及其子元素的文本
all_paragraph_texts = []
for page in self.pages:
    # 在当前page节点内相对查找所有text:p元素
    p_elements = page.findall('.//text:p', namespaces=namespaces)
    for p in p_elements:
        # 递归提取元素及其子节点的完整文本
        def get_full_text(element):
            text_fragments = []
            if element.text:
                text_fragments.append(element.text.strip())
            for child in element:
                text_fragments.append(get_full_text(child))
                if child.tail:
                    text_fragments.append(child.tail.strip())
            return ' '.join(filter(None, text_fragments))
        
        paragraph_text = get_full_text(p)
        all_paragraph_texts.append(paragraph_text)

关键说明 #

• 调用findall时必须传入namespaces参数，让解析器识别前缀对应的命名空间。
• 在Element对象内查找时，用.//表示相对当前节点的所有后代节点，避免绝对路径报错。
• get_full_text函数会收集元素的text、子元素文本以及tail（元素闭合标签后的文本），确保不会遗漏任何文本内容。

内容的提问来源于stack exchange，提问作者user19413311