解析电子病历CDA文档,由于CDA文档是XML 格式的,有些节点的属性值需要修改。
问题描述
在使用python 解析xml时,百度了很多方面的资料,其实都不尽人意,要么示例不够详细,要么示例本身就是坑,总结一下,主要遇到的是这几个方面的问题
1. 使用etree.fromstring(new_doc_content)报错ValueError: Unicode strings with encoding declaration are not supported. Please use bytes input or XML fragments without declaration.
1.由于数据是从数据库查询出来得到的,所以etree.fromstring(new_doc_content)需要传 byte string
2.由于CDA文档含有字符声明,以及命名空间的,在使用常规的xpath语法取不到数据,或者有些text能取到,其他节点或者属性值取不到。
那么在含有命名空间的xml数据里,xpath需要将命名空间也带上才能正常取到,其实问题就出在命名空间这里,从网上百度出来的资料,有些命名空间写成了
ns = {"d" : "http://www.sitemaps.org/schemas/sitemap/0.9"}
url = root.xpath("//d:loc", namespaces=ns)
正是这里把我带入了误区,使用这个方式反复调试,始终是取不到数据,从其他地方查到的资料很多也是类似的这种写法,同时也忽略掉了一些不一样的点。
例如这样的写法:
url = root.xpath("//d:loc", namespaces={'d' : 'http://www.sitemaps.org/schemas/sitemap/0.9'})`
咋一看只是namespaces的值事先定义好了而已,没有往其他方向想。
后来通过foo_tree = etree.ElementTree(xml) 然后通过遍历foo_tree.getroot()修改属性内容,虽然说能解决,但是还是想通过xpath来查询定位,因为之前爬虫用过xpath,知道它的便利之处,回过头来还是要去解决xpath这个问题。
猛回头,发现namespaces字典定义的区别,单引号 和双引号这里有所不同。
那就是试试把,将双引号改成了单引号。
啪,完美,它起作用了,能找到节点了。
1.将str转换成byte string
etree.fromstring(new_doc_content.encode('utf-8'))
2.将namespaces定义的字典中的双引号换成单引号
url = root.xpath("//d:loc", namespaces={'d' : 'http://www.sitemaps.org/schemas/sitemap/0.9'})`
示例XML:
xml = etree.fromstring(new_doc_content.encode('utf-8'))
# 示例的默认命名空间是urn:hl7-org:v3,使用xpath需要将命名空间带上
effective_time = xml.xpath("//x:effectiveTime[@*]", namespaces={'x': 'urn:hl7-org:v3'})
extension = xml.xpath('//x:recordTarget//x:patientRole/x:id[@extension]',
namespaces={'x': 'urn:hl7-org:v3'})
print(effective_time)
print(extension)
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)