使用Python从xml文件中出现的第二个标记检索数据

我正在用简化的scrapy库解析xml文件。我需要从第二个

中检索信息。但是，文件中的每个条目都包含一个或两个

，它们都引用不同的信息。如果有两个

我想从第二个中检索信息，如果只有一个

我只想从这一个中检索信息。如何仅从第二个数据库检索信息？我试图指定整个层次结构，但它不起作用。我需要检索每个对象的

database=“”

和

accession=“”

属性。我将数据库代码与我的数据库字典相匹配，并将登录添加到基本url

for ele in doc.selects('cell-line'):
key_values = {}
for k in ele:
    if k not in ['tag','html']:
        key_values[k]=ele[k]


    #Cross-reference
    database = ele.selects('Cellosaurus>cell-line>xref-list>xref>database()')
    accession = ele.selects('Cellosaurus>cell-line>xref-list>xref>accession()')
    cross_ref_dict = {database[i]: accession[i] for i in range(len(database))} 
    key_values['Cross-ref']=[database_dict.get(k) + cross_ref_dict.get(k) for k in 
               set(cross_ref_dict.keys()).intersection(set(database_dict.keys()))]

   database_dict = { 'CLO' : 'https://www.ebi.ac.uk/ols/ontologies/clo/terms? 
  iri=http://purl.obolibrary.org/obo/',
             'EFO' : 'https://www.ebi.ac.uk/efo/',
             'ArrayExpress' : 'https://www.ebi.ac.uk/arrayexpress/experiments/',
             'ATCC' : 'https://www.atcc.org/Products/All/', # + .aspx
             'BioSample' : 'https://www.ncbi.nlm.nih.gov/biosample/?term=',
             'CCLE' : 'https://portals.broadinstitute.org/ccle/page?cell_line=',
             'Cell_Model_Passport' : 'https://cellmodelpassports.sanger.ac.uk/passports/',
             'ChEMBL-Cells' : 'https://www.ebi.ac.uk/chembldb/cell/inspect/',
             'ChEMBL-Targets' : 'https://www.ebi.ac.uk/chembldb/target/inspect/',
             'Cosmic' : 'https://cancer.sanger.ac.uk/cosmic/sample/overview?id=',
             'Cosmic-CLP' : 'https://cancer.sanger.ac.uk/cell_lines/sample/overview?id=',
             'dbMHC' : 'https://www.ncbi.nlm.nih.gov/projects/gv/mhc/xslcgi.fcgi?cmd=subj&ID=',
             'ECACC' : 'https://www.phe-culturecollections.org.uk/products/celllines/generalcell/detail.jsp?refId=', #&collection=ecacc_g
             'DepMap' : 'https://depmap.org/portal/cell_line/',
             'GDSC' : 'https://www.cancerrxgene.org/translation/CellLine/',
             'GEO' : 'https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=',
             'IPD-IMGT/HLA' : 'https://www.ebi.ac.uk/cgi-bin/imgt/hla/fetch_cell.cgi?',
             'IARC_TP53' : 'https://p53.iarc.fr/CellLines.aspx',
             'IGRhCellID' : 'http://igrcid.ibms.sinica.edu.tw/cgi-bin/cell_line_view.cgi?cl_name=',
             'IHW' : 'https://www.fredhutch.org/en/labs/clinical/projects/ihwg.html',
             'KCLB' : 'https://cellbank.snu.ac.kr/english/sub/catalog.php?page=detail&CatNo=59&strQ=', # + &submit1=Find+it
             'LiGeA' : 'http://hpc-bioinformatics.cineca.it/fusion/cell_line/',
             'LINCS_LDP' : 'http://lincsportal.ccs.miami.edu/cells/#/view/',
             'MMRRC' : 'https://www.mmrrc.org/catalog/getSDS.php?mmrrc_id=',
             'PharmacoDB' : 'https://pharmacodb.ca/cell_lines/',
             'PRIDE' : 'https://www.ebi.ac.uk/pride/archive/projects/',
             'RCB' : 'http://cellbank.brc.riken.jp/cell_bank/CellInfo/?cellNo=', # + &lang=En
             'Wikidata' : 'https://www.wikidata.org/wiki/',
             'test' : 'test'
             #'test2' : 'test2'
             }


 <Cellosaurus>
 <header>
 </header>
 <cell-line-list>
 <cell-line category="Factor-dependent cell line" created="2013-02-11" last_updated="2018-09-07" 
 entry_version="8">
  <accession-list>
    <accession type="primary">CVCL_K248</accession>
  </accession-list>
  <comment-list>
    <comment category="Transfected with">
      HGNC; 6554; LEPR
      <xref-list>
        <xref database="HGNC" category="Organism-specific databases" accession="6554">
          <property-list>
            <property name="gene/protein designation" value="LEPR"/>
          </property-list>
          <url><![CDATA[https://www.genenames.org/data/gene-symbol-report/#!/hgnc_id/HGNC:6554]]> 
          </url>
        </xref>
        </xref-list>
      </comment>
    <comment category="Characteristics"> IL3 dependent </comment>
  </comment-list>
  <species-list>
    <cv-term terminology="NCBI-Taxonomy" accession="10090">Mus musculus</cv-term>
  </species-list>>
  <reference-list>
    <reference resource-internal-ref="Patent=US7524937"/>
  </reference-list>
  <xref-list>
    <xref database="ATCC" category="Cell line collections" accession="CRL-12015">
      <property-list>
        <property name="Discontinued" value="true"/>
      </property-list>
    </xref>
    <xref database="Wikidata" category="Other" accession="Q54752994">
      <url><![CDATA[https://www.wikidata.org/wiki/Q54752994]]></url>
    </xref>
  </xref-list>
</cell-line>
</cell-line-list>
<Cellosaurus>

对于文档中的元素选择（'cell-line'）：
键_值={}
对于ele中的k：
如果k不在['tag'，'html']中：
键值[k]=ele[k]
#交叉引用
database=ele.selects（'Cellosaurus>细胞系>外部参照列表>外部参照>数据库（）
accession=ele.selects（'Cellosaurus>细胞系>外部参照列表>外部参照>accession（）'））
交叉引用dict={database[i]：范围（len（database））}
关键字值['Cross-ref']=[database_dict.get（k）+Cross_ref_dict.get（k）for k in
集合（交叉引用索引键（））。相交（集合（数据库索引键（））]
数据库_dict={'CLO'：'https://www.ebi.ac.uk/ols/ontologies/clo/terms? 
伊里=http://purl.obolibrary.org/obo/',
‘EFO’：’https://www.ebi.ac.uk/efo/',
“ArrayExpress”：”https://www.ebi.ac.uk/arrayexpress/experiments/',
“ATCC”：https://www.atcc.org/Products/All/“，#+.aspx
“生物样本”：https://www.ncbi.nlm.nih.gov/biosample/?term=',
“CCLE”：https://portals.broadinstitute.org/ccle/page?cell_line=',
“单元模型护照”：https://cellmodelpassports.sanger.ac.uk/passports/',
“化学细胞”：https://www.ebi.ac.uk/chembldb/cell/inspect/',
“ChEMBL目标”：https://www.ebi.ac.uk/chembldb/target/inspect/',
“宇宙的”：https://cancer.sanger.ac.uk/cosmic/sample/overview?id=',
“宇宙CLP”：https://cancer.sanger.ac.uk/cell_lines/sample/overview?id=',
“dbMHC”：”https://www.ncbi.nlm.nih.gov/projects/gv/mhc/xslcgi.fcgi?cmd=subj&ID=',
‘ECACC’：’https://www.phe-culturecollections.org.uk/products/celllines/generalcell/detail.jsp?refId='、#&collection=ecacc_g
“DepMap”：”https://depmap.org/portal/cell_line/',
“GDSC”：https://www.cancerrxgene.org/translation/CellLine/',
‘GEO’：’https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=',
“IPD-IMGT/HLA”：https://www.ebi.ac.uk/cgi-bin/imgt/hla/fetch_cell.cgi?',
“IARC_TP53”：https://p53.iarc.fr/CellLines.aspx',
“IGRhCellID”：”http://igrcid.ibms.sinica.edu.tw/cgi-bin/cell_line_view.cgi?cl_name=',
‘IHW’：’https://www.fredhutch.org/en/labs/clinical/projects/ihwg.html',
“KCLB”：https://cellbank.snu.ac.kr/english/sub/catalog.php?page=detail&CatNo=59&strQ=“，#+&submit1=Find+it
“LiGeA”：http://hpc-bioinformatics.cineca.it/fusion/cell_line/',
“林肯自民党”：http://lincsportal.ccs.miami.edu/cells/#/view/',
“MMRRC”：https://www.mmrrc.org/catalog/getSDS.php?mmrrc_id=',
'药理学数据库'：'https://pharmacodb.ca/cell_lines/',
‘骄傲’https://www.ebi.ac.uk/pride/archive/projects/',
“RCB”：http://cellbank.brc.riken.jp/cell_bank/CellInfo/?cellNo=“，#+&lang=En
“维基数据”：https://www.wikidata.org/wiki/',
“测试”：“测试”
#“test2”：“test2”
}
CVCL_K248
HGNC；6554; 麻风
依赖IL3
小家鼠
>

据我所知，simplified_scrapy不支持xpath，但lxml支持。因此，如果您将问题中的xml（更正，最后的

需要一个结束标记）传递到lxml，您就可以非常轻松地提取该信息

from lxml import etree
atcc = """[your xml, corrected]"""
doc = etree.XML(atcc)

for atr in doc.xpath('(//xref-list)[2]/xref[1]'):
        print(atr.attrib['database'])
        print(atr.attrib['accession'])

输出：

ATCC
CRL-12015

---

谢谢但这仅返回第二个

外部参照列表中的第一个元素<代码>Wikidata

和

Q54752994

仍然缺失。如何检索多个值？您的问题是“我需要同时检索database=“ATCC”和accession=“CRL-12015”“。你现在问的是一个不同的问题；也许你真的应该这样做，我很乐意看一看。是的，对不起，我没有解释清楚。我更新了问题描述。我希望它更有意义。谢谢