使用Python的cElementTree提取DrugBank XML数据的方法问询

嘿，我之前刚好处理过DrugBank的XML数据集，用Python的cElementTree（在Python3里其实已经整合到xml.etree.ElementTree中了，性能一样出色）提取数据核心要注意命名空间这个容易踩的坑——你的XML里带了xmlns="http://www.drugbank.ca"，直接用标签名查找会找不到元素的。下面给你一步步拆解实现：

首先导入对应的模块，然后加载你的XML文件：

# Python2用这个，Python3也兼容，或者直接import xml.etree.ElementTree as ET
import xml.etree.cElementTree as ET

# 解析XML文件
tree = ET.parse('你的drugbank文件名.xml')
root = tree.getroot()

因为所有元素都属于http://www.drugbank.ca这个命名空间，我们需要定义一个命名空间映射，这样查找元素时更清晰：

# 定义命名空间别名，方便后续查找
ns = {'db': 'http://www.drugbank.ca'}

比如遍历所有药物，提取它们的主ID、类型、创建和更新时间：

for drug in root.findall('db:drug', ns):
    # 获取drug标签的属性
    drug_type = drug.get('type')
    created = drug.get('created')
    updated = drug.get('updated')
    
    # 找到primary为true的drugbank-id
    primary_id = None
    for db_id in drug.findall('db:drugbank-id', ns):
        if db_id.get('primary') == 'true':
            primary_id = db_id.text
            break  # 找到主ID就停止遍历
    
    print(f"主ID: {primary_id}, 类型: {drug_type}, 创建时间: {created}, 更新时间: {updated}")

如果要定位到某个具体药物（比如DB00001），可以这样做：

target_id = 'DB00001'
target_drug = None

for drug in root.findall('db:drug', ns):
    for db_id in drug.findall('db:drugbank-id', ns):
        if db_id.get('primary') == 'true' and db_id.text == target_id:
            target_drug = drug
            break
    if target_drug:
        break

if target_drug:
    # 假设你要提取药物名称（XML里应该有<name>标签）
    drug_name = target_drug.find('db:name', ns).text
    print(f"找到目标药物: {drug_name} (ID: {target_id})")
    # 你可以继续提取其他标签，比如适应症、分子式等，方法都是用find/findall加命名空间

如果你的DrugBank XML文件特别大（毕竟数据集不小），直接用parse会占用大量内存，建议用迭代解析的方式，边解析边处理，处理完就释放内存：

for event, elem in ET.iterparse('你的drugbank文件名.xml', events=('end',)):
    # 只处理</drug>标签结束的事件
    if elem.tag == '{http://www.drugbank.ca}drug':
        # 提取主ID
        primary_id = None
        for db_id in elem.findall('{http://www.drugbank.ca}drugbank-id'):
            if db_id.get('primary') == 'true':
                primary_id = db_id.text
                break
        print(f"处理药物: {primary_id}")
        
        # 清理当前元素，释放内存
        elem.clear()
        # 清理父节点的引用（可选，进一步节省内存）
        while elem.getprevious() is not None:
            del elem.getparent()[0]

最后提醒一下：所有元素查找都必须带上命名空间，不管是用find、findall还是迭代解析时的标签判断，否则会找不到任何元素哦！

内容的提问来源于stack exchange，提问作者Sparker0i