解析包含默认名称空间的xml以使用lxml获取元素值

Question

我有这样的xml字符串

str1 = """<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
<sitemap>
    <loc>
        http://www.example.org/sitemap_1.xml.gz
    </loc>
    <lastmod>2015-07-01</lastmod>
</sitemap>
</sitemapindex> """

我想提取<loc>节点中存在的所有网址，即http://www.example.org/sitemap_1.xml.gz

我尝试了这段代码，但没有发声

from lxml import etree
root = etree.fromstring(str1)
urls = root.xpath("//loc/text()")
print urls
[]

我试图检查我的根节点格式是否正确。我尝试了这个并获得了与str1相同的字符串

etree.tostring(root)

'<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">\n<sitemap>\n<loc>http://www.example.org/sitemap_1.xml.gz</loc>\n<lastmod>2015-07-01</lastmod>\n</sitemap>\n</sitemapindex>'

Answer 1

在处理具有默认名称空间的XML时，这是一个常见错误。您的XML具有默认的命名空间，在此声明为不带前缀的命名空间：

<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

请注意，除非另外声明（使用显式名称空间前缀或指向不同名称空间uri的本地默认名称空间），否则不仅声明了默认名称空间的元素在该名称空间中，而且所有后代元素都隐式继承祖先默认名称空间。这意味着，在这种情况下，包括在内的所有元素loc都位于默认名称空间中。

要选择名称空间中的元素，您需要定义名称空间映射的前缀，并在XPath中正确使用该前缀：

from lxml import etree
str1 = '''<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
<sitemap>
    <loc>
        http://www.example.org/sitemap_1.xml.gz
    </loc>
    <lastmod>2015-07-01</lastmod>
</sitemap>
</sitemapindex>'''
root = etree.fromstring(str1)

ns = {"d" : "http://www.sitemaps.org/schemas/sitemap/0.9"}
url = root.xpath("//d:loc", namespaces=ns)[0]
print etree.tostring(url)

输出：

<loc xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
        http://www.example.org/sitemap_1.xml.gz
    </loc>