Recuperar datos de XML python

Question

Estoy tratando de recorrer el XML de Google para recuperar aproximadamente 6 campos. Estoy usando gdata proporcionado por Google para extraer el feed XML para los perfiles de usuario en mi dominio de Google Apps. Este es el resultado:

<?xml version="1.0"?> 
-<ns0:feed ns1:etag="W/"LIESANDCRAPfyt7I2A9WhHERE."" xmlns:ns4="http://www.w3.org/2007/app" xmlns:ns3="http://schemas.google.com/contact/2008" xmlns:ns2="http://a9.com/-/spec/opensearchrss/1.0/" xmlns:ns1="http://schemas.google.com/g/2005" xmlns:ns0="http://www.w3.org/2005/Atom"> 
    <ns0:updated>2012-01-25T14:52:12.867Z</ns0:updated> 
    <ns0:category term="http://schemas.google.com/contact/2008#profile" scheme="http://schemas.google.com/g/2005#kind"/> 
    <ns0:id>domain.com</ns0:id> 
    <ns0:generator version="1.0" uri="http://www.google.com/m8/feeds">Contacts</ns0:generator> 
    <ns0:author> 
     <ns0:name>domain.com</ns0:name> 
    </ns0:author> 
    <ns0:link type="text/html" rel="alternate" href="http://www.google.com/"/> 
    <ns0:link type="application/atom+xml" rel="http://schemas.google.com/g/2005#feed" href="https://www.google.com/m8/feeds/profiles/domain/domain.com/full"/> 
    <ns0:link type="application/atom+xml" rel="http://schemas.google.com/g/2005#batch" href="https://www.google.com/m8/feeds/profiles/domain/domain.com/full/batch"/> 
    <ns0:link type="application/atom+xml" rel="self" href="https://www.google.com/m8/feeds/profiles/domain/domain.com/full?max-results=300"/> 
    <ns2:startIndex>1</ns2:startIndex> 
    <ns2:itemsPerPage>300</ns2:itemsPerPage> 
    <ns0:entry ns1:etag=""CRAPQR4KTit7I2A4""> 
     <ns0:category term="http://schemas.google.com/contact/2008#profile" scheme="http://schemas.google.com/g/2005#kind"/> 
     <ns0:id>http://www.google.com/m8/feeds/profiles/domain/domain.com/full/nperson</ns0:id> 
     <ns1:name> 
      <ns1:familyName>Person</ns1:familyName> 
      <ns1:fullName>Name Person</ns1:fullName> 
      <ns1:givenName>Name</ns1:givenName> 
     </ns1:name> 
     <ns0:updated>2012-01-25T14:52:13.081Z</ns0:updated> 
     <ns1:organization rel="http://schemas.google.com/g/2005#work" primary="true"> 
      <ns1:orgTitle>JobField</ns1:orgTitle> 
      <ns1:orgDepartment>DepartmentField</ns1:orgDepartment> 
      <ns1:orgName>CompanyField</ns1:orgName> 
     </ns1:organization> 
     <ns3:status indexed="true"/> 
     <ns0:title>Name Person</ns0:title> 
     <ns0:link type="image/*" rel="http://schemas.google.com/contacts/2008/rel#photo" href="https://www.google.com/m8/feeds/photos/profile/domain.com/nperson"/> 
     <ns0:link type="application/atom+xml" rel="self" href="https://www.google.com/m8/feeds/profiles/domain/domain.com/full/nperson"/> 
     <ns0:link type="application/atom+xml" rel="edit" href="https://www.google.com/m8/feeds/profiles/domain/domain.com/full/nperson"/> 
     <ns1:email rel="http://schemas.google.com/g/2005#other" address="nperson@gapps.domain.com"/> 
     <ns1:email rel="http://schemas.google.com/g/2005#other" primary="true" address="nperson@domain.com"/> 
     <ns4:edited>2012-01-25T14:52:13.081Z</ns4:edited> 
    </ns0:entry> 
    <ns0:title>domain.com's Profiles</ns0:title> 
</ns0:feed> 

Estoy tratando de utilizar lxml para analizar los datos, pero no está funcionando tan bien, esta es mi código:

import atom 
import gdata.auth 
import gdata.contacts 
import gdata.contacts.client 
from lxml import etree 
from lxml import objectify 

email = 'admin@domain.com' 
password = 'password' 
domain = 'domain.com' 

gd_client = gdata.contacts.client.ContactsClient(domain=domain) 
gd_client.ClientLogin(email, password, 'profileFeedAPI') 

profiles_feed = gd_client.GetProfilesFeed('https://www.google.com/m8/feeds/profiles/domain/domain.com/full?max-results=300') 

def PrintFeed(feed): 
    for i, entry in enumerate(feed.entry): 
    print '\n%s %s' % (i+1, entry.title.text) 

print(profiles_feed) 
PrintFeed(profiles_feed) 

profiles_feed2=(str(profiles_feed)) 

root = objectify.fromstring(profiles_feed2) 

print root 

print root.tag 
print root.text 

for e in root.entry(): 
    print e.tag 
    print e.text 

puedo conseguir esto para volver alimentar y luego entrar, pero no puedo explorar más. Todo lo que necesito es el texto de los campos de nombre en el nombre ns1 y el campo de organización en la organización ns1. Estoy un poco perdido, por lo que cualquier ayuda es muy apreciada.

Answer 1

Siempre recomiendo usar BeautifulSoup debido a su fácil API para aprender: salida

from BeautifulSoup import BeautifulStoneSoup as Soup 

soup = Soup(open(filename)) 
for tag in soup.findAll('ns1:name'): 
    print tag.find('ns1:familyname').text 
    print tag.find('ns1:fullname').text 
    print tag.find('ns1:givenname').text 
for tag in soup.findAll('ns1:organization'): 
    print tag.find('ns1:orgtitle').text 
    print tag.find('ns1:orgdepartment').text 
    print tag.find('ns1:orgname').text 

Ejemplo:

Person 
Name Person 
Name 
JobField 
DepartmentField 
CompanyField 

Answer 2

Usted puede intentar usar Xpath Expressions con lxml.It seguramente aliviar tu trabajo .

Por ejemplo si el archivo XML es:

<document> 
     <name> 
       <familyName>Person</familyName> 
       <fullName>Name Person</fullName> 
       <givenName>Name</givenName> 
     </name> 
</document> 

Que el siguiente código

>>> import lxml 
>>> from lxml import etree 
>>> et = etree.parse("test.xml") 
>>> value = et.xpath("/document/name/*/text()") 
>>> value 
['Person', 'Name Person', 'Name'] 

Para utilizar XPath complemento Firebug de Firefox.