如何在XML文件中找到特定标签并使用Python和minidom访问其父标签

Question

我正在尝试写一些代码，目的是在一个包含文章的XML文件中搜索特定的DOI（数字对象标识符），这个DOI是在某个标签里面的。当我找到正确的DOI后，我想获取与这个DOI相关的文章的<title>（标题）和<abstract>（摘要）文本。

我的XML文件格式是这样的：

<root>
 <article>
  <number>
   0 
  </number>
  <DOI>
   10.1016/B978-0-12-381015-1.00004-6 
  </DOI>
  <title>
   The patagonian toothfish biology, ecology and fishery. 
  </title>
  <abstract>
   lots of abstract text
  </abstract>
 </article>
 <article>
  ...All the article tags as shown above...
 </article>
</root>

我希望这个脚本能够找到DOI为10.1016/B978-0-12-381015-1.00004-6的文章（比如说），然后让我能够访问对应的<article>标签中的<title>和<abstract>标签。

到目前为止，我尝试从这个问题中调整代码：

from xml.dom import minidom

datasource = open('/Users/philgw/Dropbox/PW-Honours-Project/Code/processed.xml')
xmldoc = minidom.parse(datasource)   

#looking for: 10.1016/B978-0-12-381015-1.00004-6

matchingNodes = [node for node in xmldoc.getElementsByTagName("DOI") if node.firstChild.nodeValue == '10.1016/B978-0-12-381015-1.00004-6']

for i in range(len(matchingNodes)):
    DOI = str(matchingNodes[i])
    print DOI

但我不太确定自己在做什么！

谢谢任何帮助。

Answer 1

minidom是必须的吗？其实用lxml和XPath来解析会简单很多。

from lxml import etree
datasource = open('/Users/philgw/Dropbox/PW-Honours-Project/Code/processed.xml').read()
tree = etree.fromstring(datasource)
path = tree.xpath("//article[DOI="10.1016/B978-0-12-381015-1.00004-6") 

这样你就能获取到指定DOI的文章了。

另外，看起来标签之间有空格。我不太确定这是因为Stackoverflow的格式问题还是别的原因。这可能就是你无法用minidom匹配的原因。

Answer 2

在我看来 - 直接去查查Python的文档吧！试试这个（没测试过）：

from xml.dom import minidom

xmldoc = minidom.parse(datasource)   

def get_xmltext(parent, subnode_name):
    node = parent.getElementsByTagName(subnode_name)[0]
    return "".join([ch.toxml() for ch in node.childNodes])

matchingNodes = [node for node in xmldoc.getElementsByTagName("article")
           if get_xmltext(node, "DOI") == '10.1016/B978-0-12-381015-1.00004-6']

for node in matchingNodes:
    print "title:", get_xmltext(node, "title")
    print "abstract:", get_xmltext(node, "abstract")