pythonでXMLファイルの解析をしたいのですが、どのように指定すれば当該の情報を抜き出せるのかわからず質問させていただきました。

前提・実現したいこと

初めまして。xml初心者でして、pythonでxmlファイルから図書情報を取得することができず困ってしまったため、
質問させていただきました。
具体的には、下記のxmlファイルから、タイトルや画像を取得したいと考えています。（空想科学読本というタイトル）
どなた様か教えていただけたら幸いです。

下記は解析したいXMLファイル↓

xml
1<searchRetrieveResponse xmlns="http://www.loc.gov/zing/srw/">
2<version>1.2</version>
3<numberOfRecords>1</numberOfRecords>
4<nextRecordPosition>0</nextRecordPosition>
5<extraResponseData> <facets> <lst name="REPOSITORY_NO"> <int name="R100000001">1</int> </lst> <lst name="NDC"> <int name="4">1</int> </lst> <lst name="ISSUED_DATE"> <int name="2006">1</int> </lst> <lst name="LIBRARY"> <int name="さいたま市立中央図書館">1</int> <int name="和歌山県立図書館">1</int> </lst> </facets> </extraResponseData>
6<records>
7<record>
8<recordSchema>info:srw/schema/1/dc-v1.1</recordSchema>
9<recordPacking>string</recordPacking>
10<recordData> <srw_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:srw_dc="info:srw/schema/1/dc-v1.1" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="info:srw/schema/1/dc-v1.1 http://www.loc.gov/standards/sru/dc-schema.xsd"> <dc:title>空想科学読本</dc:title> <dc:creator>柳田 理科雄 著</dc:creator> <dc:subject>科学</dc:subject> <dc:subject>テレビドラマ</dc:subject> <dc:subject>アニメーション</dc:subject> <dc:description>新装版</dc:description> <dc:description>第17刷　2014.8</dc:description> <dc:publisher>KADOKAWA</dc:publisher> <dc:language>jpn</dc:language> </srw_dc:dc> </recordData>
11<recordPosition>1</recordPosition>
12</record>
13</records>
14</searchRetrieveResponse>

発生している問題・エラーメッセージ

①タグ名に不要な情報がついている。
下記でprintした結果、表示されるタグの前に、「{http://www.loc.gov/zing/srw/}」というURLがついてしまいます。
例）{http://www.loc.gov/zing/srw/}version

python
1for child in root:
2    print(child.tag)

②上記のためか、child.iter("タグ名")でデータの抜き出しができない。

③上記問題も含めて考えたときに、図書タイトルや画像を取りたいときは、具体的にはどのようなコードで抜き出せますでしょうか？

該当のソースコード

python
1import xml.etree.ElementTree as ET
2
3# XMLデータの読み込み
4tree = ET.parse('/Users/user/Documents/python/kaien_library_project/librarypro/api_test/sru.xml') 
5root = tree.getroot()
6
7for child in root:
8    print(child.tag, child.attrib)

どうぞ、よろしくお願いいたします。

行動規範の内容に同意します

回答2件

ベストアンサー

表示されるタグの前に、「{http://www.loc.gov/zing/srw/}」というURL

namespace URI と呼ばれているもので、xml.etree.ElementTree でノードを検索する際に namespace 名と対にして指定します。

python
1import xml.etree.ElementTree as ET
2
3xml_file = 'sru.xml'
4
5# gather all namespaces
6ns = dict([node for _, node in ET.iterparse(xml_file, events=['start-ns'])])
7
8tree = ET.parse(xml_file) 
9root = tree.getroot()
10
11for child in root.findall('.//dc:title', namespaces=ns):
12    print(child.text)
13
14_ = '''
15空想科学読本
16'''

※ lxml パッケージを使うと XML ファイルを二度読みしなくてよいので、そちらの利用をお薦めします。

ちなみに、dc namespace の全ての要素を取得する場合は以下の様にします。

python
1for child in root.findall('.//dc:*', namespaces=ns):
2    print(child.tag.split('}', 1)[1], child.text)
3
4_ = '''
5title 空想科学読本
6creator 柳田 理科雄 著
7subject 科学
8subject テレビドラマ
9subject アニメーション
10description 新装版
11description 第17刷　2014.8
12publisher KADOKAWA
13language jpn
14'''

投稿2021/11/14 05:24

編集2021/11/14 05:28

melian

総合スコア19912

退会済みユーザー

2021/11/14 08:30 編集

ご丁寧にご回答をいただきありがとうございます。 namespace URI という名前なのですね、教えていただき知ることができました。申し訳ないのですが、ご回答に関して1文わからなかったのでお聞きしても良いですか？ ns = dict([node for _, node in ET.iterparse(xml_file, events=['start-ns'])]) このコマンドがどんな内容の処理を行なっているかが難しく、大変勉強不足で申し訳ないのですが、もし解説をお聞きできたら嬉しいです。

melian

2021/11/14 08:38

元の XML ドキュメントには複数の異なる namespace が使われています。それらを全て抽出して辞書形式にしています。 ET.iterparse(xml_file, events=['start-ns']) では XML ドキュメントの全てのノードを調べて namespace から始まっているノードだけを抽出します。そして list comprehension で必要な部分だけを取り出しています。

退会済みユーザー

2021/11/14 11:18

コメントへのメール通知がないことを知らず遅くなりすみません、ご丁寧に解説いただきありがとうございます。 1行で上記の処理を全て記載することができるとは…とても勉強になりました。お返事も早くくださり感謝です。

行動規範の内容に同意します

BeautifulSoupを使うと以下です。

python
1>>> from bs4 import BeautifulSoup
2>>> soup = BeautifulSoup(xml)
3>>> print(soup)
4<html><body><searchretrieveresponse xmlns="http://www.loc.gov/zing/srw/">
5<version>1.2</version>
6<numberofrecords>1</numberofrecords>
7<nextrecordposition>0</nextrecordposition>
8<extraresponsedata> <facets> <lst name="REPOSITORY_NO"> <int name="R100000001">1</int> </lst> <lst name="NDC"> <int name="4">1</int> </lst> <lst name="ISSUED_DATE"> <int name="2006">1</int> </lst> <lst name="LIBRARY"> <int name="さいたま市 立中央図書館">1</int> <int name="和歌山県立図書館">1</int> </lst> </facets> </extraresponsedata>
9<records>
10<record>
11<recordschema>info:srw/schema/1/dc-v1.1</recordschema>
12<recordpacking>string</recordpacking>
13<recorddata> <srw_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:srw_dc="info:srw/schema/1/dc-v1.1" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemalocation="info:srw/schema/1/dc-v1.1 http://www.loc.gov/standards/sru/dc-schema.xsd"> <dc:title>空想科学読本</dc:title> <dc:creator>柳田 理科雄 著</dc:creator> <dc:subject>科学</dc:subject> <dc:subject>テレビドラマ</dc:subject> <dc:subject>アニメーション</dc:subject> <dc:description>新装版</dc:description> <dc:description>第17刷　2014.8</dc:description> <dc:publisher>KADOKAWA</dc:publisher> <dc:language>jpn</dc:language> </srw_dc:dc> </recorddata>
14<recordposition>1</recordposition>
15</record>
16</records>
17</searchretrieveresponse></body></html>
18>>> print(soup.find('dc:title').text)
19空想科学読本

投稿2021/11/14 03:46

ppaul

総合スコア24666

退会済みユーザー

2021/11/14 08:15

とても早く回答をいただきありがとうございます。 beautifulsoupはxmlを解析するのにも用いられるのですね。勉強になります。 find('dc:title') のコマンドで指定することで拾ってこれるとは大変驚きました。とてもスマートな方法ですね、実践してみます！ご回答ありがとうございます。

行動規範の内容に同意します

あなたの回答