Usar expresiones regulares para parsear archivos XML/HTML por norma general no es buena idea. Las expresiones regulares no son la herramienta adecuada ni son suficientes para manejar la complejidad estructural de estos archivos, empezando por el manejo adecuado del anidamiento.
Lo apropiado en estos casos es usar un parser específico, en Python podemos usar el propio módulo xml.etree.elementtree de la biblioteca estándar o varias bibliotecas externas como lxml (más eficiente) o el mismo BeautifulSoup.
Puedes obtener el dato asociado a cada etiqueta así como sus atributos de tenerlos (lo que va después del =
) simplemente iterando sobre cada nodo del árbol. Por ejemplo:
from xml.etree import ElementTree
doc = """\
<?xml version="1.0" encoding="UTF-8"?>
<Mensaje date="01/10/2018">
<Remitente>
<Nombre type="org">Python</Nombre>
<Mail>[email protected]</Mail>
</Remitente>
</Mensaje>
"""
data = []
tree = ElementTree.fromstring(doc)
for node in tree.iter():
tag = {"nombre": node.tag, "atributos": None, "valor": None}
empty = True
if node.attrib:
tag["atributos"] = node.attrib
empty = False
if node.text.strip():
tag["valor"] = node.text
empty = False
if not empty:
data.append(tag)
Lo cual nos genera una lista de diccionarios con solo aquellas etiquetas que tienen texto o al menos un atributo:
>>> data
[{'nombre': 'Mensaje', 'atributos': {'date': '01/10/2018'}, 'valor': None},
{'nombre': 'Nombre', 'atributos': {'type': 'org'}, 'valor': 'Python'},
{'nombre': 'Mail', 'atributos': None, 'valor': '[email protected]'}]
for tag in data:
print(f"TAG: {tag['nombre']}")
atributos = tag.get("atributos")
dato = tag.get("valor")
if atributos is not None:
print(" ATRIBUTOS:")
for atributo, valor in atributos.items():
print(f" {atributo} -> {valor}")
if dato is not None:
print(f" DATO: {dato}")
print()
TAG: Mensaje
ATRIBUTOS:
date -> 01/10/2018
TAG: Nombre
ATRIBUTOS:
type -> org
DATO: Python
TAG: Mail
DATO: [email protected]
Puedes buscar si lo deseas a lo largo de todos los niveles del árbol una etiqueta determinada:
from xml.etree import ElementTree
doc = """\
<?xml version="1.0" encoding="UTF-8"?>
<Bandeja>
<Mensaje date="01/10/2018">
<Remitente>
<Nombre type="pers_verf">Pedro</Nombre>
<Mail>[email protected]</Mail>
</Remitente>
</Mensaje>
<Mensaje date="01/10/2018">
<Remitente>
<Nombre type="pers_unverf">Laura</Nombre>
<Mail>[email protected]</Mail>
</Remitente>
</Mensaje>
<Mensaje date="01/10/2018">
<Remitente>
<Nombre type="pers_verf">María</Nombre>
<Mail>[email protected]</Mail>
</Remitente>
</Mensaje>
</Bandeja>
"""
data = []
tree = ElementTree.fromstring(doc)
for node in tree.iter("Nombre"):
tag = {"nombre": node.tag, "atributos": None, "valor": None}
empty = True
if node.attrib:
tag["atributos"] = node.attrib
empty = False
if node.text.strip():
tag["valor"] = node.text
empty = False
if not empty:
data.append(tag)
for tag in data:
print(f"TAG: {tag['nombre']}")
atributos = tag.get("atributos")
dato = tag.get("valor")
if atributos is not None:
print(" ATRIBUTOS:")
for atributo, valor in atributos.items():
print(f" {atributo} -> {valor}")
if dato is not None:
print(f" DATO: {dato}")
print()
TAG: Nombre
ATRIBUTOS:
type -> pers_verf
DATO: Pedro
TAG: Nombre
ATRIBUTOS:
type -> pers_unverf
DATO: Laura
TAG: Nombre
ATRIBUTOS:
type -> pers_verf
DATO: María
Si solo se desea buscar los nodos con esa etiqueta que sean hijos de un determinado nodo padre se puede usar findall
. Como se puede ver usar un parser nos facilita la tarea enormemente.
Para cargar el XML desde un archivo usar ElementTree.parse()
en vez de ElementTree.fromstring()
.