Python：使用小型dom通过XML进行解析

我正在解析一个相当大的xml文件，遇到了一个问题。由于某种原因，我无法提取数据，即使我以前在不同的xml文件上做过完全相同的事情

下面是我的一段代码：（程序的其余部分，我已经测试过了，它们工作得很好） 编辑：更改为包含测试尝试块（&E）

def parseXML():
    file = open(str(options.drugxml),'r')
    data = file.read()
    file.close()
    dom = parseString(data)
    druglist = dom.getElementsByTagName('drug')

    with codecs.open(str(options.csvdata),'w','utf-8') as csvout, open('DrugTargetRel.csv','w') as dtout:
        for entry in druglist:
        count = count + 1
        try:
            drugtype = entry.attributes['type'].value
            print count
        except:
            print count
            print entry
            drugidObj = entry.getElementsByTagName('drugbank-id')[0]
            drugid = drugidObj.childNodes[0].nodeValue
            drugnameObj = entry.getElementsByTagName('name')[0]
            drugname = drugnameObj.childNodes[0].nodeValue

            targetlist = entry.getElementsByTagName('target')
            for target in targetlist:
                targetid = target.attributes['partner'].value
                dtout.write((','.join((drugid,targetid)))+'\n')

            csvout.write((','.join((drugid,drugname,drugtype)))+'\n')

如果您想知道XML文件的模式大致是什么样子，下面是一个级别的粗略草图：

<drugs>
   <drug type='something' ...>
      <drugbank-id>
      <name>
      ...
      <targets>
         <target partner='something'>

...

我在这里输入的那些文件，我需要从XML文件中提取并粘贴到csv文件中（如上面的代码所示），并且代码以前已经对不同的XML文件工作过，不确定为什么它不能在这个文件上工作。我在“type”上得到了KeyError，在提取药物ID的行上也得到了索引错误，即使每个药物都有一个药物ID。我搞砸了什么

编辑：我提取的东西保证在每种药物中

对于任何关心此事的人，这里是指向我正在解析的XML文件的链接：

编辑：在实现try&except块（见上文）后，我发现： 在模式中，有一些称为“药物相互作用”的部分，也有一个称为药物的子字段。所以像这样：

 <drugs>
       <drug type='something' ...>
          <drugbank-id>
          <name>
          ...
          <targets>
             <target partner='something'>
          <drug-interactions>
             <drug>

...

---

我认为我的行druglist=dom.getElementsByTagName（'Druge'）也无意中拾取了这些内容--我不知道如何修复此问题。。。有什么建议吗？

我有一种感觉，可能是由于内存不足或其他原因而发生了一些奇怪的事情，所以我使用迭代器对每种药物重写了解析器，并进行了尝试，让程序在没有引发异常的情况下完成

基本上，我在这里做的是，不将整个XML文件加载到内存中，而是解析每个

和

标记的开头和结尾的XML文件。然后每次我都用minidom解析它

代码可能有点脆弱，因为我假设每个

和

对都在各自的行中。希望它能帮助你，而不是伤害你

#!python
import codecs
from xml.dom import minidom

class DrugBank(object):
    def __init__(self, filename):
        self.fp = open(filename, 'r')

    def __iter__(self):
        return self

    def next(self):
        state = 0

        while True:
            line = self.fp.readline()

            if state == 0:
                if line.strip().startswith('<drug '):
                    lines = [line]
                    state = 1
                    continue

                if line.strip() == '</drugs>':
                    self.fp.close()
                    raise StopIteration()

            if state == 1:
                lines.append(line)
                if line.strip() == '</drug>':
                    return minidom.parseString("".join(lines))

with codecs.open('csvout.csv', 'w', 'utf-8') as csvout, open('dtout.csv', 'w') as dtout:
    db = DrugBank('drugbank.xml')
    for dom in db:
        entry = dom.firstChild
        drugtype = entry.attributes['type'].value
        drugidObj = entry.getElementsByTagName('drugbank-id')[0]
        drugid = drugidObj.childNodes[0].nodeValue
        drugnameObj = entry.getElementsByTagName('name')[0]
        drugname = drugnameObj.childNodes[0].nodeValue

        targetlist = entry.getElementsByTagName('target')
        for target in targetlist:
            targetid = target.attributes['partner'].value
            dtout.write((','.join((drugid,targetid)))+'\n')

        csvout.write((','.join((drugid,drugname,drugtype)))+'\n')

#！python
导入编解码器
从xml.dom导入minidom
类别银行（对象）：
def uuu init uuu（self，文件名）：
self.fp=open（文件名'r'）
定义（自我）：
回归自我
def next（自我）：
状态=0
尽管如此：
line=self.fp.readline（）
如果state==0：
如果line.strip（）.startswith（'基本上是在xml中使用时，那么您不能依赖于您知道结构这一事实。在代码中查找结构是一种很好的做法

因此，每次访问元素或属性时，请先检查是否有。在代码中，它表示以下内容：

确保药物元素上有属性“type”：

drugtype = entry.attributes['type'].value if entry.attributes.has_key('type') else 'defaulttype'

确保getElementsByTagName在访问其元素之前不返回空数组：

drugbank-id = entry.getElementsByTagName('drugbank-id')
drugidObj = drugbank-id[0] if drugbank-id else None

此外，在访问childnodes之前，请确保存在以下内容：

if drugidObj.hasChildNodes:
    drugid = drugidObj.childNodes[0].nodeValue

或者使用for循环来循环它们

当您在Druges元素上调用
getElementsByTagName
时，它会返回所有元素，包括嵌套的元素。要仅获取Druge元素，即drugs元素的直接子元素，您必须使用
childNodes
属性。
是否可以包含错误的堆栈跟踪？是的，经过编辑，以使最近的两个错误除了添加/删除打印语句之外，在没有进行太多更改的情况下遇到。您的代码假定记录始终具有您认为它们具有的格式。KeyError只是意味着drug元素没有类型属性。Indexer出现类似问题…记录没有您想要的信息。请尝试在druglist中输入“for entry:”将块放入try/except块中，然后打印导致问题的条目。它看起来正确吗？从长远来看，except处理程序会实现您的失败策略（继续处理、报告记录或其他）@tdelaney一开始我认为这可能是导致错误的原因，但当我检查数据时，每个药物字段都有一个type属性，每个药物都必须有一个药物id和药物名称。我甚至用数据源检查了这一点。他们中的每一个都必须在那里。这就是我被难住的原因。我将放入try/except块并制作一些更多检查。@Joe If drugs是根元素，它只有Druge，因为后续元素在drugs上使用childNodes而不是getElementsByTagName。很好，我会看一看。我最终也自己解决了这个问题，但我也会尝试一下。谢谢！