Python 从infotable中提取数据，同时填充缺少的值

我有这个.txt文件，它的格式类似于XML，但问题是从它检索到的网站警告我这是一个无效的XML格式。通过一些解析，我使用infoTable作为参考，设法在这些小数据块中获取我的信息

同伴
SHS A级-
00000
21944
3060500
嘘
鞋底
3060500
0
0
第二公司
组件对象模型
00001
67822
1898717
嘘
鞋底
1898717
0
0
公司树
CL B新
00002
10462145
52078974
嘘
鞋底
52078974
0
0

变量

数据

正在连接有问题的字符串（-太长，无法粘贴到此处）：

写入

数据.csv

：

NameofIssuer,TitleofClass,cusip,value,shrsPrnamt,shrsPrnamtType,putcall,investmentDescrestion,othermanager,vaSole,vaShared,vaNone
COMPANYFOUR,COM,00004,67,36100,SH,Call,DFND,"01, 02",36100,0,0
COMPANYFIVE,SPONSORED ADS A,00005,2695,339367,SH,NaN,DFND,"01, 02",339367,0,0
COMPANYONE,SHS CLASS -A -,00000,21944,3060500,SH,NaN,SOLE,NaN,3060500,0,0
COMPANYTWO,COM,00001,67822,1898717,SH,NaN,SOLE,NaN,1898717,0,0
COMPANYTHREE,CL B NEW,00002,10462145,52078974,SH,NaN,SOLE,NaN,52078974,0,0

在LibreOffice中，它看起来：

---

使用

lxml.etree

、

ordereddict

和

pandas

库的扩展解决方案：

我们首先需要修复格式错误的XML内容：主要思想是使用XML名称空间（

ns1

）添加

root

标记。出于演示目的，输入xml（取自问题原样）被解析为字符串，并进行进一步修改

from lxml import etree
import pandas as pd
import sys
from collections import OrderedDict

xml_content = '<root xmlns:ns1="http://base.google.com/ns/1.0">{}</root>'\
    .format(open('base.xml').read())
doc = etree.fromstring(xml_content)
ns = {'ns1': 'http://base.google.com/ns/1.0'}
records = []

for block in doc.findall('ns1:infoTable', namespaces=ns):
    d = OrderedDict()
    for el in block.getchildren():
        el_tag = el.tag.replace("{{{}}}".format(ns['ns1']), '')
        inner_childs = el.getchildren()
        if inner_childs:    # if element has child nodes
            prefix = 'va' if el_tag == 'votingAuthority' else ''
            d.update({prefix + child.tag.replace("{{{}}}".format(ns['ns1']), ''): child.text
                      for child in inner_childs})
        else:
            d[el_tag] = el.text
    records.append(d)

df = pd.DataFrame(records)
print(df.to_string(index=False, justify=True))

要使用所需分隔符将结果保存到csv文件中，请使用

df.To\u csv（）

例程：

df.to_csv(path_or_buf='output.csv', sep='\t', index=False)

---

othermanager

和

putcall

标记在xml中不存在，为什么它们应该出现在结果中？现在我认为这是一个非常糟糕的示例文件，但这只是我正在使用的示例之一。我注意到的其他文件有othermanager和putcall标记，这意味着您需要发布另一个输入xml还是编辑您的预期结果—以关联输入和输出，我刚刚包含了另一个XML示例，以显示缺少的两个标记show large是输入文本文件吗？如果我只是让一个变量打开我要解析的指定.txt文件，这个过程是否也会工作？而不是把所有东西都保存在一个字符串中？@onbu我想是的。尝试加载数据，例如

soup=BeautifulSoup（打开（'yourfile.txt'，'r'）.read（），'lxml'）

。

nameOfIssuer     titleOfClass  cusip value sshPrnamt sshPrnamtType putCall investmentDiscretion otherManager  vaSole vaShared vaNone
 COMPANYFOUR              COM  00004    67     36100            SH    Call                 DFND       01, 02   36100        0      0
 COMPANYFIVE  SPONSORED ADS A  00005  2695    339367            SH     NaN                 DFND       01, 02  339367        0      0

df.to_csv(path_or_buf='output.csv', sep='\t', index=False)