从含105条议会发言的XML中提取指定节点字段的技术需求

嘿，我来帮你搞定这份议会发言XML的数据提取需求！针对你那包含105条记录的文件，我准备了两种实用的Python实现方案，都是处理这类结构化XML的主流方法，你可以根据自己的熟悉程度来选：

这是处理XML最常用的组合，XPath能精准定位到你需要的节点，效率很高，尤其适合你这种有固定层级的文件。

首先安装依赖：

pip install lxml

然后是代码示例，已经帮你处理了「无政党字段」的情况，还支持把结果导出成CSV方便后续分析：

from lxml import etree
import csv

# 加载本地XML文件（如果是远程URL，可以用etree.fromstring(requests.get(url).content)）
tree = etree.parse("your_parliament_speeches.xml")
root = tree.getroot()

speech_records = []

# 遍历所有发言节点
for spreekbeurt in root.xpath("//spreekbeurt"):
    # 提取发言人姓氏，处理节点不存在的极端情况
    achternaam_nodes = spreekbeurt.xpath(".//spreker/naam/achternaam/text()")
    achternaam = achternaam_nodes[0].strip() if achternaam_nodes else "未知姓氏"
    
    # 提取政党信息，无此字段则标记为「无政党身份」
    partij_nodes = spreekbeurt.xpath(".//spreker/partij/text()")
    partij = partij_nodes[0].strip() if partij_nodes else "无政党身份"
    
    speech_records.append({
        "发言人姓氏": achternaam,
        "政党": partij
    })

# 打印前5条验证结果
print("前5条提取结果：")
for record in speech_records[:5]:
    print(record)

# 导出为CSV文件
with open("parliament_speeches_extracted.csv", "w", newline="", encoding="utf-8") as csv_file:
    writer = csv.DictWriter(csv_file, fieldnames=["发言人姓氏", "政党"])
    writer.writeheader()
    writer.writerows(speech_records)

如果你对XPath不太熟悉，BeautifulSoup的API更直观，容错性也更强，就算XML有小瑕疵也能处理。

先安装依赖：

pip install beautifulsoup4 lxml

代码示例如下：

from bs4 import BeautifulSoup
import csv

# 读取本地XML文件
with open("your_parliament_speeches.xml", "r", encoding="utf-8") as xml_file:
    xml_content = xml_file.read()

soup = BeautifulSoup(xml_content, "lxml")

speech_records = []

# 遍历所有发言标签
for spreekbeurt in soup.find_all("spreekbeurt"):
    spreker = spreekbeurt.find("spreker")
    if not spreker:
        continue  # 如果没有发言人节点，跳过这条记录
    
    # 提取姓氏
    naam = spreker.find("naam")
    achternaam = naam.find("achternaam").get_text(strip=True) if naam and naam.find("achternaam") else "未知姓氏"
    
    # 提取政党
    partij = spreker.find("partij").get_text(strip=True) if spreker.find("partij") else "无政党身份"
    
    speech_records.append({
        "发言人姓氏": achternaam,
        "政党": partij
    })

# 验证结果并导出CSV
print("前5条提取结果：")
for record in speech_records[:5]:
    print(record)

with open("parliament_speeches_extracted.csv", "w", newline="", encoding="utf-8") as csv_file:
    writer = csv.DictWriter(csv_file, fieldnames=["发言人姓氏", "政党"])
    writer.writeheader()
    writer.writerows(speech_records)

小提示 #

• 记得把代码里的your_parliament_speeches.xml替换成你实际的XML文件名
• 如果XML文件编码不是UTF-8，打开文件时要指定对应的编码（比如encoding='iso-8859-1'）
• 两种方案都支持扩展：如果之后需要提取其他字段（比如发言时间、内容），只需要在循环里添加对应的节点提取逻辑就行

内容的提问来源于stack exchange，提问作者bbilal