Получить текст из XML-документов

Question

Я хотел получить PMID, и для каждого PMID список других из списка авторов, для каждого PMID я мог бы получить список авторов, так же как и для всех других PMId, я мог бы получить список авторов

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE PubmedArticleSet SYSTEM "http://dtd.nlm.nih.gov/ncbi/pubmed/out/pubmed_190101.dtd">
<PubmedArticleSet>
 <PubmedArticle>
<MedlineCitation Status="MEDLINE" Owner="NLM">
  <PMID Version="1">2844048</PMID>
  <DateCompleted>
    <Year>1988</Year>
    <Month>10</Month>
    <Day>26</Day>
  </DateCompleted>
  <DateRevised>
    <Year>2010</Year>
    <Month>11</Month>
    <Day>18</Day>
  </DateRevised>
    <AuthorList CompleteYN="Y">
      <Author ValidYN="Y">
        <LastName>Guarner</LastName>
        <ForeName>J</ForeName>
        <Initials>J</Initials>
        <AffiliationInfo>
          <Affiliation>Department of Pathology and Laboratory Medicine, Emory University Hospital, Atlanta, Georgia.</Affiliation>
        </AffiliationInfo>
      </Author>
      <Author ValidYN="Y">
        <LastName>Cohen</LastName>
        <ForeName>C</ForeName>
        <Initials>C</Initials>
      </Author>
</AuthorList>
</MedlineCitation>

Я могу получить по отдельности, но не понимаю, как сгруппировать его из-за структуры тега.

tree = ET.parse('x.xml')
root = tree.getroot()

pid =[]
for pmid in root.iter('PMID'):
   pid.append(pmid.text)

lastname=[]
for id in root.findall("./PubmedArticle/MedlineCitation/Article/AuthorList"):
for ln in id.findall("./Author/LastName"):
    lastname.append(ln.text)

forename=[]
for id in root.findall("./PubmedArticle/MedlineCitation/Article/AuthorList"):
for fn in id.findall("./Author/ForeName"):
    forename.append(fn.text)

initialname=[]
for id in root.findall("./PubmedArticle/MedlineCitation/Article/AuthorList"):
for i in id.findall("./Author/Initials"):
   initialname.append(i.text)

Ожидаемый результат

PMID               AUTHORS
2844048            'Guarner J J', 'Cohen C C'

Пожалуйста, предложите возможный способ решения проблемы, ожидаемый результат будет иметь большее количество строк, заранее,

Answer 1

Я думаю, что понял, хотя это заняло некоторое время.Чтобы сделать это интересным упражнением, я внес некоторые изменения.

Во-первых, код xml в вашем вопросе недействителен; Вы можете проверить это здесь, например .

Итак, сначала я исправил xml.Кроме того, я превратил его в набор PubmedArticleSet, чтобы в нем было 2 статьи: первая статья содержит 3 автора, а вторая - две (очевидно, фиктивная информация), просто чтобы гарантировать, что код захватит их все.Чтобы сделать его несколько проще, я удалил некоторую не относящуюся к этому упражнению информацию, такую ​​как «Принадлежность».

Итак, вот что нам остается.Сначала модифицируем xml:

source = """
<PubmedArticleSet>
<PubmedArticle>
    <MedlineCitation Status="MEDLINE" Owner="NLM">
        <PMID Version="1">2844048</PMID>
        <AuthorList CompleteYN="Y">
            <Author ValidYN="Y">
                <LastName>Guarner</LastName>
                <ForeName>J</ForeName>
                <Initials>J</Initials>
            </Author>
            <Author ValidYN="Y">
                <LastName>Cohen</LastName>
                <ForeName>C</ForeName>
                <Initials>C</Initials>
            </Author>
            <Author ValidYN="Y">
                <LastName>Mushi</LastName>
                <ForeName>E</ForeName>
                <Initials>F</Initials>
            </Author>
        </AuthorList>
    </MedlineCitation>
</PubmedArticle>
<PubmedArticle>
    <MedlineCitation Status="MEDLINE" Owner="NLM">
        <PMID Version="1">123456</PMID>
        <AuthorList CompleteYN="Y">
            <Author ValidYN="Y">
                <LastName>Smith</LastName>
                <ForeName>C</ForeName>
                <Initials>C</Initials>
            </Author>
            <Author ValidYN="Y">
                <LastName>Jones</LastName>
                <ForeName>E</ForeName>
                <Initials>F</Initials>
            </Author>
        </AuthorList>
    </MedlineCitation>
</PubmedArticle>

 """

Далее импортируем то, что нужно импортировать:

from lxml import etree
import pandas as pd

Далее код:

doc = etree.fromstring(source)
art_loc = '..//*/PubmedArticle' #this is the path to all the articles
#count the number of articles in the article set - that number is a float has to be converted to integer before use:
num_arts = int(doc.xpath(f'count({art_loc})')) # or could use len(doc.xpath(f'({art_loc})')) 
grand_inf = [] #this list will hold the accumulated information at the end
for art in range(1,num_arts+1): #can't do range(num_arts) because of the different ways python and Pubmed count
    loc_path = (f'{art_loc}[{art}]/*/') #locate the path to each article
    #grab the article id:
    id_path = loc_path+'PMID'
    pmid = doc.xpath(id_path)[0].text
    art_inf = [] #this list holds the information for each article
    art_inf.append(pmid)
    art_path = loc_path+'/Author' #locate the path to the author group
    #determine the number of authors for this article; again, it's a float which needs to converted to integer
    num_auths = int(doc.xpath(f'count({art_path})')) #again: could use len(doc.xpath(f'({art_path})'))

    auth_inf = [] #this will hold the full name of each of the authors

    for auth in range(1,num_auths+1):
        auth_path = (f'{art_path}[{auth}]') #locate the path to each author
        LastName = doc.xpath((f'{auth_path}/LastName'))[0].text
        FirstName = doc.xpath((f'{auth_path}/ForeName'))[0].text
        Middle = doc.xpath((f'{auth_path}/Initials'))[0].text
        full_name = LastName+' '+FirstName+' '+Middle
        auth_inf.append(full_name)
   art_inf.append(auth_inf)
   grand_inf.append(art_inf)

Наконец, загрузите эту информацию в фрейм данных:

df=pd.DataFrame(grand_inf,columns=['PMID','Author(s)'])
df

Вывод:

     PMID       Author(s)
 0   2844048    [Guarner J J, Cohen C C, Mushi E F]
 1   123456     [Smith C C, Jones E F]

И теперь мы можем отдохнуть ...

Answer 2

Модель данных XPath 1.0 определена в спецификации :

3.3 Наборы узлов

3.4 Логические значения

3,5 числа

3.6 Строки

Набор узлов - это собственные наборы: дедуплицированные и неупорядоченные.Требуется последовательность , упорядоченный список данных (например, список упорядоченных узлов).Этот тип данных является частью XPath 2.0 и более поздних версий.

Для группировки в XPath 1.0 в качестве встроенного языка вы выбираете «первый в своем роде», а затем используете основной язык для обхода документа с получением сгруппированных элементов.даже с другим выражением XPath.Вот как это делается в самом XSLT.