Python从URL读取XML文件及子节点信息访问问题排查

嘿，我看了你的问题，问题确实出在XML的结构——准确说是命名空间在搞鬼！你之前单独测试提取author节点能成功，大概率是因为测试用的XML没有使用命名空间，而你现在访问的DailyMed XML是HL7 SPL格式，根节点自带了命名空间，导致直接用findall('title')找不到对应的节点。

为什么你的代码找不到title节点？ #

打开你提供的URL对应的XML，根节点会类似这样：

<spl xmlns="http://hl7.org/v3" ...>

这里的xmlns="http://hl7.org/v3"就是命名空间，ElementTree在解析时会把所有子节点都归到这个命名空间下。你直接写findall('title')，相当于查找没有命名空间的title节点，自然返回空列表。

修正后的代码示例 #

下面两种方法都能解决这个问题，选你觉得顺手的就行：

方法1：直接使用命名空间URI查找 #

import urllib
import xml.etree.ElementTree as ET

url = 'https://dailymed.nlm.nih.gov/dailymed/services/v2/spls/fe9e8b7d-61ea-409d-84aa-3ebd79a046b5.xml'
print 'Retrieving', url
document = urllib.urlopen(url).read()
print 'Retrieved', len(document), 'characters.'
print document[:50]

tree = ET.fromstring(document)
# 对应XML根节点的命名空间URI
namespace = '{http://hl7.org/v3}'
# 用.//来匹配所有层级的title节点（不管它在XML的哪个位置）
lst = tree.findall('.//' + namespace + 'title')
print '找到', len(lst), '个title节点：'
for item in lst[:5]:  # 打印前5个节点内容看看
    print item.text

方法2：用命名空间映射让代码更清晰 #

这种方法适合XML有多个命名空间的场景，可读性更好：

import urllib
import xml.etree.ElementTree as ET

url = 'https://dailymed.nlm.nih.gov/dailymed/services/v2/spls/fe9e8b7d-61ea-409d-84aa-3ebd79a046b5.xml'
print 'Retrieving', url
document = urllib.urlopen(url).read()
print 'Retrieved', len(document), 'characters.'
print document[:50]

tree = ET.fromstring(document)
# 定义命名空间映射，前缀可以自定义（比如这里用hl7）
ns_map = {'hl7': 'http://hl7.org/v3'}
# 使用XPath语法，通过前缀指定命名空间
lst = tree.findall('.//hl7:title', namespaces=ns_map)
print '找到', len(lst), '个title节点：'
for item in lst[:5]:
    print item.text

额外提示 #

如果你要找的是特定层级的title节点，可以把.//换成具体的路径，比如如果title在/spl/component/section/title下，就写hl7:spl/hl7:component/hl7:section/hl7:title（对应方法2），这样能更精准地定位节点。

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