如何用Python解析XML到自定义字段

Question

我有一个文件夹，里面全是以XML格式存储的Salesforce对象。我想找出所有自定义<fields>中，<required>为真的那些字段的<fullName>和它们的父文件。这里有一些简化的示例数据，我们称之为“Custom_Object__c”：

<?xml version="1.0" encoding="UTF-8"?>
<CustomObject xmlns="http://soap.sforce.com/2006/04/metadata">
<deprecated>false</deprecated>
<description>descriptiontext</description>
<fields>
    <fullName>custom_field1</fullName>
    <required>false</required>
    <type>Text</type>
    <unique>false</unique>
</fields>
<fields>
    <fullName>custom_field2</fullName>
    <deprecated>false</deprecated>
    <visibleLines>5</visibleLines>
</fields>
<fields>
    <fullName>custom_field3</fullName>
    <required>false</required>
</fields>
<fields>
    <fullName>custom_field4</fullName>
    <deprecated>false</deprecated>
    <description>custom field 4 description</description>
    <externalId>true</externalId>
    <required>true</required>
    <scale>0</scale>
    <type>Number</type>
    <unique>false</unique>
</fields>
<fields>
    <fullName>custom_field5</fullName>
    <deprecated>false</deprecated>
    <description>Creator of this log message. Application-specific.</description>
    <externalId>true</externalId>
    <label>Origin</label>
    <length>255</length>
    <required>true</required>
    <type>Text</type>
    <unique>false</unique>
</fields>
<label>App Log</label>
<nameField>
    <displayFormat>LOG-{YYYYMMDD}-{00000000}</displayFormat>
    <label>Entry ID</label>
    <type>AutoNumber</type>
</nameField>
</CustomObject>

我想要的结果是一个字典，格式大概是这样的：

required_fields =  {'Custom_Object__1': 'custom_field4', 'Custom_Object__1': 'custom_field5',... etc for all the required fields in all files in the fold.}

或者其他类似的格式。

我已经通过glob.glob获取了对象列表，并且可以使用ElementTree获取所有子元素及其属性，但接下来我就卡住了。我觉得我离完成这个任务已经很近了，但我希望能有人帮我把它完成。以下是我到目前为止写的代码：

import os
import glob
import xml.etree.ElementTree as ET

os.chdir("/Users/paulsallen/workspace/fforce/FForce Dev Account/config/objects/")
objs = []


for file in glob.glob("*.object"):
    objs.append(file)

fields_dict = {}

for object in objs:
    root = ET.parse(objs).getroot()

....

一旦我解析了XML数据，我就不知道接下来该怎么做了。

Answer 1

使用这个函数可以找到在指定根节点下的所有必填字段。这个函数也可以作为将来解析需求的一个示例或起点。

def find_required_fields(root):
    NS = {'soap': 'http://soap.sforce.com/2006/04/metadata'}
    required_fields = []
    for field in root.findall('soap:fields', namespaces=NS):
        required = field.findtext('soap:required', namespaces=NS) == "true"
        name = field.findtext('soap:fullName', namespaces=NS)
        if required:
            required_fields.append(name)
    return required_fields

示例用法：

>>> import xml.etree.ElementTree as ET
>>> root = ET.parse('objects.xml') # where objects.xml contains the example in the question
>>> print find_required_fields(root)
['custom_field4', 'custom_field5']
>>>

Answer 2

你真的应该考虑使用lxml，因为这样你就可以使用XPath查询了：

from lxml import etree as ET

os.chdir("/Users/paulsallen/workspace/fforce/FForce Dev Account/config/objects/")
objs = glob.glob("*.object")

fields_dict = {}

for filename in objs:
    root = ET.parse(filename).getroot()
    required = root.xpath('.//n:fullName[../n:required/text()="true"]/text()',
        namespaces={'n': tree.nsmap[None]})
    fields_dict[os.path.splitext(filename)[0]] = required

用这段代码，你会得到一个字典，里面的每个键都是文件名（不带扩展名），每个值都是一个需要的字段列表。

这个XPath查询会查找默认命名空间下的fullName元素，前提是它旁边有一个required元素，并且这个元素的文本内容是'true'。然后，它会提取每个匹配元素中的文本，这些文本会被存储在字典里，形成一个列表。