基于Python按重复id_user拆分XML并保留原Schema的技术问询

看起来你已经搞定了重复id的识别部分，接下来咱们直接解决拆分XML文件的问题。我会基于你现有的代码，扩展出完整的实现逻辑，保证生成的每个文件都符合原Schema，且每个文件里的facturic节点都是唯一的id_user。

整体思路 #

• 先将所有facturic节点按id_user分组，方便后续分配
• 统计每个id_user的节点数量，找到最大的那个值，这就是我们需要生成的文件总数
• 循环创建每个输出文件，依次从每个id_user的节点列表中取出一个节点（如果还有剩余），放入当前文件的ROOT节点下，确保每个文件里的id_user不重复

完整实现代码 #

import os
from xml.etree import ElementTree
from collections import defaultdict

def split_xml_by_unique_userid(fullpath, output_dir="split_output"):
    # 创建输出目录（如果不存在）
    os.makedirs(output_dir, exist_ok=True)
    
    # 解析原XML文件
    dom = ElementTree.parse(fullpath)
    root = dom.getroot()
    findNode = 'facturic'
    findAttr = 'id_user'
    
    # 1. 按id_user分组所有facturic节点
    user_nodes = defaultdict(list)
    for node in root.findall(findNode):
        user_id = node.attrib.get(findAttr)
        if user_id:  # 确保id_user存在的节点才处理
            user_nodes[user_id].append(node)
    
    # 2. 确定需要生成的文件总数（最大重复次数）
    max_count = max(len(nodes) for nodes in user_nodes.values()) if user_nodes else 0
    
    # 3. 生成每个输出文件
    for file_idx in range(max_count):
        # 创建新的ROOT节点，保持原Schema结构
        new_root = ElementTree.Element("ROOT")
        # 为当前文件分配每个id_user的第file_idx个节点（如果存在）
        for user_id, nodes in user_nodes.items():
            if file_idx < len(nodes):
                # 复制节点属性和子节点，避免修改原DOM结构
                new_node = ElementTree.Element(findNode, attrib=nodes[file_idx].attrib)
                for child in nodes[file_idx]:
                    new_node.append(child)
                new_root.append(new_node)
        
        # 生成XML文件，保留原编码和声明
        tree = ElementTree.ElementTree(new_root)
        output_path = os.path.join(output_dir, f"output_{file_idx+1}.xml")
        with open(output_path, 'wb') as f:
            tree.write(f, encoding='utf-8', xml_declaration=True)
        
        print(f"已生成文件: {output_path}")

# 调用示例（替换成你的输入XML路径）
if __name__ == "__main__":
    input_xml_path = "your_input_file.xml"
    split_xml_by_unique_userid(input_xml_path)

代码关键说明 #

• 用collections.defaultdict简化节点分组逻辑，比普通字典更高效
• 复制节点时不仅复制id_user属性，还会完整复制子节点（比如artfacturic），确保原XML结构完全保留
• 自动创建输出目录，避免因路径不存在报错
• 输出文件按output_1.xml、output_2.xml命名，清晰区分批次
• 写入时保留UTF-8编码和XML声明，和原文件格式完全一致

效果示例 #

针对你提供的输入XML：

<?xml version="1.0" encoding="utf-8" ?>
<ROOT>
    <facturic id_user="18446195"><artfacturic/></facturic>
    <facturic id_user="18446195"><artfacturic/></facturic>
    <facturic id_user="34259554"><artfacturic/></facturic>
</ROOT>

会生成2个符合要求的文件：

• output_1.xml包含id_user="18446195"的第一个节点和id_user="34259554"的节点
• output_2.xml包含id_user="18446195"的第二个节点

每个文件内部的id_user都是唯一的，且完全符合原Schema结构。

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