Pythonでxmlファイルの要素数を算出

前提・実現したいこと

Pythonでxmlファイルの要素数を算出したいです．

発生している問題・エラーメッセージ

論文データベースのxmlに，何件論文があるか調べたいのですが，
ネットで調べてあるコードを参考にしてみたところ以下のようなエラーが出ました．
どのように対処すればエラーが出ず論文数を算出できるでしょうか？

Traceback (most recent call last):

File "C:\Users\rr112\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py", line 2862, in run_code
exec(code_obj, self.user_global_ns, self.user_ns)

File "<ipython-input-3-7862886a7fd8>", line 1, in <module>
tree = parse("dblp.xml")

File "C:\Users\rr112\Anaconda3\lib\xml\etree\ElementTree.py", line 1196, in parse
tree.parse(source, parser)

File "C:\Users\rr112\Anaconda3\lib\xml\etree\ElementTree.py", line 597, in parse
self._root = parser._parse_whole(source)

File "<string>", line unknown
ParseError: undefined entity ö: line 43, column 18

該当のソースコード

from xml.etree.ElementTree import *
tree = parse("dblp.xml")
elem = tree.getroot()

試したこと

補足情報（FW/ツールのバージョンなど）

初心者なので分かりやすく説明して頂けるとありがたいです．

行動規範の内容に同意します

回答1件

ベストアンサー

元データがhttp://dblp.org/xml/だとするとöというウムラウト付きのOの文字参照が含まれており、それをparserが解釈できないために発生しています。
ちなみにchromeなどのブラウザで開こうとしても同様エラーが発生します。

解決策としては、DTDで検証することで読み込めるようになります。
参考：lxml xmlsyntaxerror: entity 'ouml' not defined

Python
1from lxml import etree as ET
2parser = ET.XMLParser(dtd_validation=True) # DTDを利用。.xml内に記載されているdblp.dtdが利用される
3tree = ET.parse('dblp_test.xml', parser)
4root = tree.getroot()
5with open('ret.txt', 'w', encoding='utf-8') as f:
6    for art in root.findall('article'):
7        f.write( 'title[{}]\n'.format( art.find('title').text))
8        for aut in art.findall('author'):
9            f.write( 'author[{}]\n'.format(aut.text))
10        f.write( '\n')

.xmlと同じ場所に公開されているdblp.dtdをダウンロードし、.xmlファイルと同じディレクトリに配置しておいてください。

dblp_test.xml

PlainText
1<?xml version="1.0" encoding="ISO-8859-1"?>
2<!DOCTYPE dblp SYSTEM "dblp.dtd">
3<dblp>
4<article mdate="2017-05-28" key="journals/acta/Schonhage77">
5<author>Arnold Sch&ouml;nhage</author>
6<title>Schnelle Multiplikation von Polynomen &uuml;ber K&ouml;rpern der Charakteristik 2.</title>
7<journal>Acta Inf.</journal>
8<volume>7</volume>
9<year>1977</year>
10<pages>395-398</pages>
11<url>db/journals/acta/acta7.html#Schonhage77</url>
12<ee>https://doi.org/10.1007/BF00289470</ee>
13</article>
14<article mdate="2017-05-28" key="journals/acta/BozapalidisFR12">
15<author>Symeon Bozapalidis</author>
16<author>Zolt&aacute;n F&uuml;l&ouml;p 0001</author>
17<author>George Rahonis</author>
18<title>Equational weighted tree transformations.</title>
19<pages>29-52</pages>
20<year>2012</year>
21<volume>49</volume>
22<journal>Acta Inf.</journal>
23</article>
24</dblp>

ret.txt

PlainText
1title[Schnelle Multiplikation von Polynomen über Körpern der Charakteristik 2.]
2author[Arnold Schönhage]
3
4title[Equational weighted tree transformations.]
5author[Symeon Bozapalidis]
6author[Zoltán Fülöp 0001]
7author[George Rahonis]

投稿2018/06/20 01:44