使用Python ElementTree迭代多个（父，子）节点

Question

Python的ElementTree标准实现（2.6版本）并没有提供从子节点指向父节点的功能。所以，如果需要父节点的信息，建议直接遍历父节点，而不是子节点。

假设我的XML格式是这样的：

<Content>
  <Para>first</Para>
  <Table><Para>second</Para></Table>
  <Para>third</Para>
</Content>

下面的代码查找所有的“Para”节点，但没有考虑父节点：

(1) paras = [p for p in page.getiterator("Para")]

这个代码（改编自effbot）通过遍历父节点来存储父节点的信息，而不是子节点：

(2) paras = [(c,p) for p in page.getiterator() for c in p]

这样做是很合理的，并且可以加上条件来实现与（1）相同的结果，只不过多了父节点的信息：

(3) paras = [(c,p) for p in page.getiterator() for c in p if c.tag == "Para"]

ElementTree的文档提到，getiterator()方法是进行深度优先搜索的。如果不考虑父节点直接运行（1），结果是：

first
second
third

但是，从（3）中提取“para”的文本，结果是：

first, Content>Para
third, Content>Para
second, Table>Para

这看起来像是广度优先搜索。

因此，这引出了两个问题。

1. 这是正确且预期的行为吗？
2. 当子节点必须是某种特定类型，而父节点可以是任何类型时，如何提取（父，子）元组，如果必须保持文档的顺序。我认为运行两个循环，并将（3）生成的（父，子）映射到（1）生成的顺序并不是理想的做法。

Answer 1

考虑一下这个：

>>> xml = """<Content>
...   <Para>first</Para>
...   <Table><Para>second</Para></Table>
...   <Para>third</Para>
... </Content>"""
>>> import xml.etree.cElementTree as et
>>> page = et.fromstring(xml)
>>> for p in page.getiterator():
...     print "ppp", p.tag, repr(p.text)
...     for c in p:
...         print "ccc", c.tag, repr(c.text), p.tag
...
ppp Content '\n  '
ccc Para 'first' Content
ccc Table None Content
ccc Para 'third' Content
ppp Para 'first'
ppp Table None
ccc Para 'second' Table
ppp Para 'second'
ppp Para 'third'
>>> 

顺便说一下，列表推导式非常棒，直到你想确切知道正在迭代的内容为止:-)

getiterator 正在按照预期的顺序生成“ppp”元素。不过，你是从附属的“ccc”元素中提取你感兴趣的元素，而这些元素的顺序并不是你想要的。

一个解决方案是自己进行迭代：

>>> def process(elem, parent):
...    print elem.tag, repr(elem.text), parent.tag if parent is not None else None
...    for child in elem:
...       process(child, elem)
...
>>> process(page, None)
Content '\n  ' None
Para 'first' Content
Table None Content
Para 'second' Table
Para 'third' Content
>>>

现在你可以在元素流过时，抓取每个“Para”元素，并且可以知道它的父元素（如果有的话）。

这可以很好地封装在一个生成器工具里：

>>> def iterate_with_parent(elem):
...     stack = []
...     while 1:
...         for child in reversed(elem):
...             stack.append((child, elem))
...         if not stack: return
...         elem, parent = stack.pop()
...         yield elem, parent
...
>>>
>>> showtag = lambda e: e.tag if e is not None else None
>>> showtext = lambda e: repr((e.text or '').rstrip())
>>> for e, p in iterate_with_parent(page):
...     print e.tag, showtext(e), showtag(p)
...
Para 'first' Content
Table '' Content
Para 'second' Table
Para 'third' Content
>>>