Duplikat Elementtree dihasilkan dari node anak yang disematkan

Saya mencoba mengekstrak elemen dari sistem pencatatan Parlemen Inggris, Hansard. Tapi xmlnya tidak diformat dengan baik. Misalnya, ia memiliki struktur sebagai berikut: housecommons/debates/section/section/data housecommons/speeches/section/section/data housecommons/section/section/data

Saya memiliki kode yang bisa mendapatkan data seperti contoh di bawah ini. Namun, hal ini menghasilkan nilai duplikat. Saya pikir alasannya adalah kode saya tidak menghormati hubungan induk anak dan malah hanya mencari setiap penanda 'bagian' yang mengikuti penanda pertama.

Bisakah seseorang memberi saran bagaimana saya dapat mengadaptasi kode saya untuk menghindari duplikat?

doc = ET.parse(xmlFile)
for house in doc.iter('housecommons'):
    #print ('housecommon', house.tag)
    for debates in house.iter('debates'):
        print ('debates')
        #print (title)
        for section in debates.iter('section'):
            #print ("debates section", section.text)
            #title = ("title", section.find('title').text)
            print('debate section')
            for subsection in debates.iter('section'):
                print("debate subsection", subsection.text)
                #title = ("title", subsection.find('title').text)
                #print(title)

n.b. ini adalah jenis hal dalam xml mentah yang saya coba urai. Tanpa memposting xml lengkap, struktur kompleks mungkin tidak sepenuhnya terlihat.


<housecommons>
<image src="S6CV0001P0I0103"/>
<col>181</col>
<title>House of Commons</title>
<date format="1981-03-17">Tuesday 17 March 1981</date>
<p id="S6CV0001P0-00854"><i>The House met at half-past Two o'clock</i></p>
<debates>
<section>
<title>PRAYERS</title>
<p id="S6CV0001P0-00855">[MR. SPEAKER <i>in the Chair</i>]</p>
<section>
<title>PRIVATE BUSINESS</title>
<section>
<title>CHARTERHOUSE JAPHET BILL</title>
<p id="S6CV0001P0-00856"><i>Bill read the Third time and passed, with amendments.</i></p>
<section>
<title>BARNSLEY BOROUGH COUNCIL BILL</title>
<p id="S6CV0001P0-00857"><i>Further considered; to be read the Third time.</i></p>
</section>
</section>
</section>
</section>
</housecommons>

python xml elementtree
person Ian Stewart    schedule 29.07.2020    source sumber
comment
Bisakah Anda mengedit pertanyaan Anda dan memastikan sampel xml valid?   -  person Jack Fleeting    schedule 30.07.2020

Jawaban (1)


arrow_upward
0
arrow_downward

metode iter(…) akan melakukan iterasi secara rekursif pada semua sub-pohon XML di bawahnya (anak-anaknya, anak-anaknya, dan seterusnya)

Saya rasa Anda mungkin ingin menggunakan struktur seperti ini

for child in parent:
    if child.tag == 'debates':
         # look further

Metode iter(…) turun lebih dari satu tingkat dalam pencariannya untuk nama tag yang Anda berikan. Inilah sebabnya mengapa duplikat muncul.

person JimmyNJ    schedule 30.07.2020