如何转换指定格式XML为含动画id、名称、剧情简介的pandas DataFrame
核心解决思路
你之前的提取逻辑存在两个核心问题,导致剧情简介无法和条目绑定:
- 全局查找剧情简介时,会把其他类型节点(比如manga)下的简介混到结果里
- 全局查找拿到的简介列表,顺序和长度根本和anime列表不匹配——没有简介的条目会在全局查找列表里“空位前移”,最终拼出来的内容必然张冠李戴
只要把“查找当前动画条目下的剧情简介”的逻辑,嵌套到遍历每个anime节点的循环内部,就能天然实现id、名称、剧情简介的一一绑定,从根源上解决错位问题。
具体改造步骤
- 不要用全局范围的剧情简介查找逻辑,把查找范围限定在当前正在遍历的anime节点的子树内
- 给不存在剧情简介的条目设置空值,避免程序报错
- 优化原有DataFrame追加的效率问题(原代码用的
df.append在新版pandas中已废弃,推荐先收集所有行数据,最后一次性生成DataFrame)
改造后完整可运行代码
import requests import pandas as pd import xml.etree.ElementTree as ET response = requests.get('https://cdn.animenewsnetwork.com/encyclopedia/api.xml?title=24235/24233/24232/24231/24230/24229/24227/24225/24224/24223/24222/24220/24218/24217/24216/24215/24214/24213/24212/24211/24210/24209/24208/24207/24206/24205/24204/24203/24202/24201/24200/24199/24198/24196/24195/24194/24193/24192/24191/24189/24187/24186/24185/24183/24182/24180/24179/24178/24177/24176/') root = ET.fromstring(response.text) rows = [] # 遍历所有anime节点 for anime_node in root.iter(tag='anime'): # 提取当前条目的基础字段 current_id = anime_node.get('id') current_name = anime_node.get('name') # 仅在当前anime节点内部查找属性为Plot Summary的info元素 current_plot = anime_node.find('./info[@type="Plot Summary"]') # 存在简介则提取文本并去首尾空格,不存在则置空字符串 plot_content = current_plot.text.strip() if current_plot is not None else '' rows.append({ 'id': current_id, 'name': current_name, 'plot_summary': plot_content }) # 一次性生成最终DataFrame anime_df = pd.DataFrame(rows)
关键注意点
- 查找路径中的
./前缀不能省略,这个标记会把搜索范围严格限制在当前anime节点内部,不会跨到其他条目(比如相邻的manga节点)里匹配内容 - 如果某个anime节点下存在多个Plot Summary类型的info元素,可以把
find换成findall,遍历所有匹配节点把文本拼接成完整内容即可 - 这种嵌套遍历的方式不会出现顺序错位,哪怕某个条目没有剧情简介,也会在DataFrame里对应位置留空,不会打乱整体顺序
内容的提问来源于stack exchange,提问作者Aaron Yu
相关产品推荐
相关产品推荐

