如何读取XML格式的TXT文件并转换为DataFrame

问题1：读取扩展名是txt但内容为XML的robust.txt文件 #

文件扩展名不影响内容解析，直接按XML文件处理即可，两种常见实现方式：

• 方式一：先读取文本内容，再传入XML解析器

with open('robust.txt', 'r', encoding='utf-8') as f:
    xml_content = f.read()

# 后续可将xml_content交给XML解析库处理

• 方式二：直接用XML解析库加载文件（推荐）

import xml.etree.ElementTree as ET

# 解析器会识别XML内容，忽略文件扩展名
tree = ET.parse('robust.txt')
root = tree.getroot()

问题2：将XML数据转换为指定结构的DataFrame #

结合xml.etree.ElementTree解析XML，提取目标字段后用pandas生成符合要求的DataFrame，完整实现如下：

代码示例 #

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

# 解析XML文件
tree = ET.parse('robust.txt')
root = tree.getroot()

# 初始化列表存储每行数据
data_list = []

# 遍历每个<top>节点
for top_node in root.findall('top'):
    # 提取num字段（只保留数字部分）
    num_raw = top_node.find('num').text.strip()
    num = num_raw.split(':')[-1].strip()
    
    # 提取title字段
    title = top_node.find('title').text.strip()
    
    # 提取desc字段（去除前缀并清理换行）
    desc_raw = top_node.find('desc').text.strip()
    desc = desc_raw.split('Description:')[-1].strip().replace('\n', ' ')
    
    # 提取narr字段（去除前缀并清理换行）
    narr_raw = top_node.find('narr').text.strip()
    narr = narr_raw.split('Narrative:')[-1].strip().replace('\n', ' ')
    
    # 将当前节点数据加入列表
    data_list.append({
        'num': num,
        'title': title,
        'desc': desc,
        'narr': narr
    })

# 转换为DataFrame
df = pd.DataFrame(data_list)

# 查看结果
print(df)

代码说明 #

• 遍历XML中所有<top>节点，每个节点对应DataFrame的一行数据
• 对num、desc、narr字段做针对性清理：提取有效内容、去除多余换行和空格
• 最终生成的DataFrame完全匹配你期望的结构，包含num、title、desc、narr四个列

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