python xml.dom.minidom을 이용한 xml 파싱

출처 : http://blog.naver.com/nlp1/150038573673

xml 형식의 데이터가 있을 때 원하는 태그의 데이터나 애트리뷰트의 데이터를 얻는 방법

text='''

<?xml version="1.0" encoding="UTF-8"?>

<corpus>

    <sentence id="11">

        <eojeol id="11-1">

            <e>경제의</e>

            <m>경제 의</m>

        </eojeol>

        <eojeol id="11-2">

            <e>나라는</e>

            <m>나라 는</m>

        </eojeol>

    </sentence>

<corpus>

'''

위와 같은 xml 형식의 문자열이 있을 경우

xml.dom.minidom을 이용하여 간단하게 파싱을 할 수 있다.

 

⇒ minidom을 import

>>> from xml.dom import minidom

 

 ⇒ 문자열을 xml 파싱이 가능한 형식으로 변형

>>> xmlraw = minidom.parseString(text) >>> xmlraw <xml.dom.minidom.Document instance at 0xb7bedc8c>

 

⇒ <sentence> tag 부분에 대해서 파싱

>>> sentenceList = xmlraw.getElementsByTagName('sentence')  >>> sentenceList [<DOM Element: s at 0xb7bedf6c>]

⇒ <sentence> tag 부분으로 나누어진 리스트로 반환되며 인덱스(0, 1, 2, ...)로 접근 가능

    ※ toxml() 은 문자열로 반환

>>> sentenceList[0].toxml()     <sentence id="11">         <eojeol id="11-1">             <e>경제의</e>             <m>경제 의</m>         </eojeol>         <eojeol id="11-2">             <e>나라는</e>             <m>나라 는</m>         </eojeol>     </sentence>

⇒ 이후 재귀적으로 내부 파싱 가능, <eojeol> → <e>

>>> eojeol = sentenceList[0].getElementsByTagName('eojeol') >>> e = eojeol[0].getElementsByTagName('e') >>> e[0].toxml() <e>경제의</e> >>> e[1].toxml() <e>나라는</e>

 

※ 현재는 예를 들기 위해 짧은 xml을 사용했기 때문에 하나씩의 태그를 포함하지만 같은 태그로 일정하게 반복되는 태그에 대해 모두 접근할 수 있다. 파싱되면 리스트 형태로 반환되기 때문에 예제처럼 하나의 태그만이 있더라도 인덱스를 사용하여 접근해야 한다.

 

⇒ 태의 안의 데이터를 얻는 방법

    '<e>경제의</e>' 의 경제의 만을 얻고자 할 경우 다음과 같은 함수를 사용한다.

>>> e[0].firstChild.data 경제의 >>> e[1].firstChild.data 나라는

 

 ⇒ 태그에 포함된 특정 attribute의 값을 얻는 방법

    예제에서 <sentence>에 대해 파싱된 데이터의 id라는 attribute 값을 가져오기 위해 다음과 같은 함수를 사용한다.

>>> sentenceList[0].getAttribute('id') 11 >>> eojeol[0].getAttribute('id') 11-1

 

⇒ example

from xml.dom import minidom test='''<?xml version="1.0" encoding="UTF-8"?> <corpus>     <sentence id="11">         <eojeol>             <e>경제의</e>             <m>경제 의</m>             <t>NNG JKG</t>         </eojeol>         <eojeol>             <e>나라는</e>             <m>나라 는</m>             <t>NNG JKG</t>         </eojeol>     </sentence>     <sentence id="12">         <eojeol>             <e>경제의</e>             <m>경제 의</m>             <t>NNG JKG</t>         </eojeol>         <eojeol>             <e>나라는</e>             <m>나라 는</m>             <t>NNG JKG</t>         </eojeol>     </sentence> </corpus> ''' xmlraw = minidom.parseString(test) sentences = xmlraw.getElementsByTagName('sentence') for sentence in sentences:     print sentence.getAttribute('id')          eojeols = sentence.getElementsByTagName('eojeol')         eojeolSize = len(eojeols)     for index in range(eojeolSize):         mphms = eojeols[index].getElementsByTagName('m')         print mphms[0].firstChild.data

 

11 경제 의 나라 는 12 경제 의 나라 는

[출처] python xml.dom.minidom을 이용한 xml 파싱|작성자 realization