'ElementTree'を介してPythonで名前空間を持つXMLを解析する

Pythonを使用して解析したい次のXMLがありますElementTree。

<rdf:RDF xml:base="http://dbpedia.org/ontology/"
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:owl="http://www.w3.org/2002/07/owl#"
    xmlns:xsd="http://www.w3.org/2001/XMLSchema#"
    xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"
    xmlns="http://dbpedia.org/ontology/">

    <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague">
        <rdfs:label xml:lang="en">basketball league</rdfs:label>
        <rdfs:comment xml:lang="en">
          a group of sports teams that compete against each other
          in Basketball
        </rdfs:comment>
    </owl:Class>

</rdf:RDF>

すべてのowl:Classタグを検索して、タグrdfs:label内のすべてのインスタンスの値を抽出します。次のコードを使用しています。

tree = ET.parse("filename")
root = tree.getroot()
root.findall('owl:Class')

名前空間のため、次のエラーが発生します。

SyntaxError: prefix 'owl' not found in prefix map

http://effbot.org/zone/element-namespaces.htmにあるドキュメントを読んでみましたが、上記のXMLには複数の名前空間がネストされているため、これを機能させることができません。

すべてのowl:Classタグを見つけるためにコードを変更する方法を教えてください。

ElementTreeは名前空間についてあまりスマートではありません。.find()、findall()およびiterfind()メソッドに明示的な名前空間ディクショナリを指定する必要があります。これはあまり文書化されていません：

namespaces = {'owl': 'http://www.w3.org/2002/07/owl#'} # add more as needed

root.findall('owl:Class', namespaces)

プレフィックスは、渡したパラメーターでのみ検索されnamespacesます。つまり、任意の名前空間プレフィックスを使用できます。APIはowl:パーツを分割し、namespaces辞書で対応する名前空間URLを検索してから、{http://www.w3.org/2002/07/owl}Class代わりにXPath式を検索するように検索を変更します。もちろん、同じ構文を自分で使用することもできます。

root.findall('{http://www.w3.org/2002/07/owl#}Class')

lxmlライブラリに切り替えることができれば、状況は改善されます。そのライブラリは同じElementTree APIをサポートしますが、.nsmap要素の属性に名前空間を収集します。

（Martijn Pietersが言及しているように）名前空間をハードコーディングしたり、テキストをスキャンしたりすることなく、lxmlでこれを行う方法は次のとおりです。

from lxml import etree
tree = etree.parse("filename")
root = tree.getroot()
root.findall('owl:Class', root.nsmap)

更新：

5年経った今でも、この問題のバリエーションに遭遇しています。lxmlは上で示したように役立ちますが、すべての場合に役立つわけではありません。ドキュメントのマージに関しては、コメンターがこの手法に関して妥当なポイントを持っている可能性がありますが、ほとんどの人は単にドキュメントを検索するのが難しいと思います。

これは別のケースと私がそれをどのように処理したかです：

<?xml version="1.0" ?><Tag1 xmlns="http://www.mynamespace.com/prefix">
<Tag2>content</Tag2></Tag1>

接頭辞のないxmlnsは、接頭辞のないタグがこのデフォルトの名前空間を取得することを意味します。つまり、Tag2を検索するときは、それを見つけるために名前空間を含める必要があります。しかし、lxmlはNoneをキーとしてnsmapエントリを作成し、それを検索する方法を見つけることができませんでした。だから、私はこのような新しい名前空間辞書を作成しました

namespaces = {}
# response uses a default namespace, and tags don't mention it
# create a new ns map using an identifier of our choice
for k,v in root.nsmap.iteritems():
    if not k:
        namespaces['myprefix'] = v
e = root.find('myprefix:Tag2', namespaces)

注：これは、ハードコードされた名前空間を使用しないPythonのElementTree標準ライブラリに役立つ回答です。

名前空間のプレフィックスとURIをXMLデータから抽出するには、ElementTree.iterparse関数を使用して、名前空間の開始イベントのみを解析します（start-ns）。

>>> from io import StringIO
>>> from xml.etree import ElementTree
>>> my_schema = u'''<rdf:RDF xml:base="http://dbpedia.org/ontology/"
...     xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
...     xmlns:owl="http://www.w3.org/2002/07/owl#"
...     xmlns:xsd="http://www.w3.org/2001/XMLSchema#"
...     xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"
...     xmlns="http://dbpedia.org/ontology/">
... 
...     <owl:Class rdf:about="http://dbpedia.org/ontology/BasketballLeague">
...         <rdfs:label xml:lang="en">basketball league</rdfs:label>
...         <rdfs:comment xml:lang="en">
...           a group of sports teams that compete against each other
...           in Basketball
...         </rdfs:comment>
...     </owl:Class>
... 
... </rdf:RDF>'''
>>> my_namespaces = dict([
...     node for _, node in ElementTree.iterparse(
...         StringIO(my_schema), events=['start-ns']
...     )
... ])
>>> from pprint import pprint
>>> pprint(my_namespaces)
{'': 'http://dbpedia.org/ontology/',
 'owl': 'http://www.w3.org/2002/07/owl#',
 'rdf': 'http://www.w3.org/1999/02/22-rdf-syntax-ns#',
 'rdfs': 'http://www.w3.org/2000/01/rdf-schema#',
 'xsd': 'http://www.w3.org/2001/XMLSchema#'}

次に、辞書を引数として検索関数に渡すことができます。

root.findall('owl:Class', my_namespaces)

私はこれと同様のコードを使用してきましたが、いつものように、ドキュメントを読む価値は常にあることがわかりました！

findall（）は、現在のタグの直接の子である要素のみを検索します。だから、本当に全部ではない。

特に大きくて複雑なxmlファイルを処理していて、そのサブサブ要素（など）も含まれている場合は、コードを次のように動作させようとしているときに価値があるかもしれません。要素がxmlのどこにあるかご存知の場合は、問題ないと思います。これを覚えておく価値があると思っただけです。

root.iter()

ref：https : //docs.python.org/3/library/xml.etree.elementtree.html#finding-interesting-elements "Element.findall（）は、現在の要素の直接の子であるタグを持つ要素のみを検索します。 Element.find（）は特定のタグを持つ最初の子を検索し、Element.textは要素のテキストコンテンツにアクセスします。Element.get（）は要素の属性にアクセスします： "

名前空間をその名前空間形式で取得するには、たとえば{myNameSpace}、次のようにします。

root = tree.getroot()
ns = re.match(r'{.*}', root.tag).group(0)

このようにして、後でコード内でそれを使用してノードを見つけることができます（例：文字列補間（Python 3））。

link = root.find(f"{ns}link")

私の解決策は@Martijn Pietersのコメントに基づいています：

register_namespace 検索ではなく、シリアル化にのみ影響します。

したがって、ここでの秘訣は、シリアル化と検索に異なる辞書を使用することです。

namespaces = {
    '': 'http://www.example.com/default-schema',
    'spec': 'http://www.example.com/specialized-schema',
}

次に、解析と書き込みのためにすべての名前空間を登録します。

for name, value in namespaces.iteritems():
    ET.register_namespace(name, value)

検索のために（find()、findall()、iterfind()）私たちは、空でない接頭辞を必要としています。これらの関数に変更されたディクショナリを渡します（ここでは元のディクショナリを変更していますが、これは名前空間が登録された後でのみ行う必要があります）。

self.namespaces['default'] = self.namespaces['']

これで、find()ファミリの関数をdefaultプレフィックスで使用できるようになりました。

print root.find('default:myelem', namespaces)

だが

tree.write(destination)

デフォルトの名前空間の要素には接頭辞を使用しません。