from - Accesando valores en el archivo xml con espacios de nombres en python 2.7 lxml

python etree lxml

Question

Estoy siguiendo este enlace para tratar de obtener valores de varias etiquetas:

Análisis de XML con espacio de nombre en Python a través de ''ElementTree''

En este enlace no hay ningún problema para acceder a la etiqueta raíz de esta manera:

import sys
from lxml import etree as ET


doc = ET.parse(''file.xml'')

namespaces_rdf = {''rdf'': ''http://www.w3.org/1999/02/22-rdf-syntax-ns#''} # add more as needed
namespaces_dcat = {''dcat'': ''http://www.w3.org/ns/dcat#''} # add more as needed
namespaces_dct = {''dct'': ''http://purl.org/dc/terms/''}

print doc.findall(''rdf:RDF'', namespaces_rdf)
print doc.findall(''dcat:Dataset'', namespaces_dcat)
print doc.findall(''dct:identifier'', namespaces_dct)

SALIDA:

[]
[<Element {http://www.w3.org/ns/dcat#}Dataset at 0x2269b98>]
[]

Solo tengo acceso a dcat: Dataset, y no puedo ver cómo acceder al valor de rdf: about

Y luego acceso a dct: identificador

Por supuesto, una vez que he accedido a esta información, necesito acceder a dcat: información de distribución

Este es mi archivo de ejemplo, generado con ckanext-dcat:

<?xml version="1.0" encoding="utf-8"?>
<rdf:RDF
  xmlns:dct="http://purl.org/dc/terms/"
  xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
  xmlns:dcat="http://www.w3.org/ns/dcat#"
>
  <dcat:Dataset rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01">
    <dct:identifier>ec631628-2f46-4f17-a685-d62a37466c01</dct:identifier>
    <dct:description>FOO-Description</dct:description>
    <dct:title>FOO-title</dct:title>
    <dcat:keyword>keyword1</dcat:keyword>
    <dcat:keyword>keyword2</dcat:keyword>
    <dct:issued rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2014-10-08T08:55:04.566618</dct:issued>
    <dct:modified rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2015-06-25T11:04:10.328902</dct:modified>
    <dcat:distribution>
      <dcat:Distribution rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01/resource/f5707551-6bf3-468f-9a96-b4184cc51d1f">
        <dct:title>FOO-title-1</dct:title>
        <dct:description>FOO-Description-1</dct:description>
        <dcat:accessURL>http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01/resource/f5707551-6bf3-468f-9a96-b4184cc51d1f/download/myxls.xls</dcat:accessURL>
        <dct:format>XLS</dct:format>
      </dcat:Distribution>
    </dcat:distribution>
    <dcat:distribution>
      <dcat:Distribution rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01/resource/74c1acc8-b2b5-441b-afb2-d072d0d00a7f">
        <dct:format>XLS</dct:format>
        <dct:title>FOO-title-2</dct:title>
        <dct:description>FOO-Description-2</dct:description>
        <dcat:accessURL>http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01/resource/74c1acc8-b2b5-441b-afb2-d072d0d00a7f/download/myxls.xls</dcat:accessURL>
      </dcat:Distribution>
    </dcat:distribution>
  </dcat:Dataset>
</rdf:RDF>

¿Alguna idea sobre cómo acceder a esta información? Gracias

ACTUALIZACIÓN: Bueno, necesito acceder a rdf: sobre en:

<dcat:Dataset rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01">

entonces con este código tomado de:

Parse xml con lxml - extraer valor del elemento

for node in doc.xpath(''//dcat:Dataset'', namespaces=namespaces):
   # Iterate over attributes
   for attrib in node.attrib:
            print ''@'' + attrib + ''='' + node.attrib[attrib]

Obtengo esta salida:

[<Element {http://www.w3.org/ns/dcat#}Dataset at 0x23d8ee0>]
@{http://www.w3.org/1999/02/22-rdf-syntax-ns#}about=http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01

Entonces, la pregunta es:

¿Cómo puedo preguntar si el atributo está a punto de tomar este valor, porque en otros archivos tengo varias etiquetas?

ACTUALIZACIÓN 2: Se corrigió cómo obtengo el valor (notaciones de clark)

for node in doc.xpath(''//dcat:Dataset'', namespaces=namespaces):
   # Iterate over attributes
   for attrib in node.attrib:
      if attrib.endswith(''about''):
        #do my jobs

Bueno, casi terminado, pero tengo la última pregunta: necesito saber cuándo accedo a mi

<dct:title>

a la cual pertenece, tengo:

<dcat:Dataset rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01">
       <dct:title>FOO-title</dct:title>

<dcat:Distribution rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01/resource/f5707551-6bf3-468f-9a96-b4184cc51d1f">
        <dct:title>FOO-title-1</dct:title>

<dcat:Distribution rdf:about="http://www.myweb.com/dataset/ec631628-2f46-4f17-a685-d62a37466c01/resource/74c1acc8-b2b5-441b-afb2-d072d0d00a7f">
        <dct:title>FOO-title-2</dct:title>

Si hago algo como esto obtengo:

for node in doc.xpath(''//dct:title'', namespaces=namespaces):
   print node.tag, node.text

{http://purl.org/dc/terms/}title FOO-title
{http://purl.org/dc/terms/}title FOO-title-1
{http://purl.org/dc/terms/}title FOO-title-2

Gracias

Answer 1

Use el método xpath() con namespaces llamado argumento:

namespaces = {
    ''rdf'': ''http://www.w3.org/1999/02/22-rdf-syntax-ns#'',
    ''dcat'': ''http://www.w3.org/ns/dcat#'',
    ''dct'': ''http://purl.org/dc/terms/''
}

print(doc.xpath(''//rdf:RDF'', namespaces=namespaces))
print(doc.xpath(''//dcat:Dataset'', namespaces=namespaces))
print(doc.xpath(''//dct:identifier'', namespaces=namespaces))