获取XML数据中的唯一值：用lxml提取<updated>日期及统计问题

嘿，我来帮你搞定这个问题！你说用lxml提取日期时输出是空列表[]，大概率是XML命名空间在搞鬼——很多类似Atom feed的XML文档都会带有默认命名空间，直接用简单的XPath路径根本找不到节点。下面分步骤给你解决：

第一步：正确提取字段的日期 #

情况1：XML带有默认命名空间（最常见） #

比如你的XML结构大概是这样的：

<feed xmlns="http://www.w3.org/2005/Atom">
  <entry>
    <updated>2018-02-27T10:15:30Z</updated>
  </entry>
  <entry>
    <updated>2018-02-27T14:20:00Z</updated>
  </entry>
</feed>

这时候需要在lxml里指定命名空间映射，再用带命名空间前缀的XPath查询：

from lxml import etree

# 加载XML（这里以字符串为例，也可以用parse()加载本地/远程文件）
xml_content = """
<feed xmlns="http://www.w3.org/2005/Atom">
  <entry>
    <updated>2018-02-27T10:15:30Z</updated>
  </entry>
  <entry>
    <updated>2018-02-27T14:20:00Z</updated>
  </entry>
  <entry>
    <updated>2018-02-28T09:00:00Z</updated>
  </entry>
  <entry>
    <updated>2018-03-01T16:45:00Z</updated>
  </entry>
</feed>
"""

# 解析XML内容
tree = etree.fromstring(xml_content)

# 定义命名空间映射（前缀可以随便取，比如atom）
ns = {'atom': 'http://www.w3.org/2005/Atom'}

# 提取所有<entry>下的<updated>文本内容
updated_elements = tree.xpath('//atom:entry/atom:updated/text()', namespaces=ns)

# 提取纯日期部分（因为<updated>是ISO8601格式，分割T就能拿到日期）
dates = [date.split('T')[0] for date in updated_elements]
print(dates)  # 输出: ['2018-02-27', '2018-02-27', '2018-02-28', '2018-03-01']

情况2：XML没有命名空间 #

如果你的XML不带任何命名空间，那直接用简单的XPath就能提取：

updated_elements = tree.xpath('//entry/updated/text()')
dates = [date.split('T')[0] for date in updated_elements]

第二步：统计唯一日期的数量 #

这一步超简单，用Python的**集合（set）**自动去重，然后取长度就行：

unique_dates = set(dates)
unique_count = len(unique_dates)
print(f"唯一日期数量：{unique_count}")  # 输出: 唯一日期数量：3

为什么之前输出[]？ #

大概率是你忽略了命名空间的存在，导致XPath找不到对应的节点。你可以先打印XML根节点的命名空间，确认是否存在：

print(tree.nsmap)  # 输出类似: {None: 'http://www.w3.org/2005/Atom'}

如果输出里有None对应的URL，就说明有默认命名空间，必须用命名空间映射来查询节点。

内容的提问来源于stack exchange，提问作者Dan