Análisis XML en Python: Una guía completa con ejemplos

Análisis XML en Python: Una guía completa

XML (Extensible Markup Language) es un lenguaje popular utilizado para almacenar y transferir datos. Python proporciona varias bibliotecas para analizar XML. En esta guía, te presentaremos dos bibliotecas integradas de Python para analizar XML: xml.dom.minidom y xml.etree.ElementTree.

Paso 1: Análisis de XML con xml.dom.minidom

La biblioteca xml.dom.minidom permite analizar documentos XML con Python. Para analizar una cadena XML, utilice el método parseString:

from xml.dom.minidom import parseString

xml_string = """
<library>
 <book>
   <title>The Great Gatsby</title>
   <author>F. Scott Fitzgerald</author>
   <year>1925</year>
 </book>
</library>
"""

document = parseString(xml_string)
print(document.getElementsByTagName("title")[0].firstChild.nodeValue)

En el código anterior, analizamos la cadena XML y extraemos el título del libro.

Paso 2: Análisis de XML con xml.etree.ElementTree

La biblioteca xml.etree.ElementTree (ET) proporciona una forma más pitónica de analizar XML. Para analizar una cadena XML, utilice el método fromstring:

import xml.etree.ElementTree as ET

xml_string = """
<library>
 <book>
   <title>The Great Gatsby</title>
   <author>F. Scott Fitzgerald</author>
   <year>1925</year>
 </book>
</library>
"""

root = ET.fromstring(xml_string)
for child in root.iter():
   if child.text.strip():
       print(child.text)

En el código anterior, analizamos la cadena XML e imprimimos el texto de cada elemento.

Paso 3: Análisis de archivos XML

Tanto minidom como ElementTree pueden analizar XML desde archivos utilizando el método parse:

# Using minidom
from xml.dom.minidom import parse
document = parse("sample.xml")
print(document.getElementsByTagName("title")[0].firstChild.nodeValue)

# Using ElementTree
import xml.etree.ElementTree as ET
root = ET.parse("sample.xml")
for child in root.iter():
   if child.text.strip():
       print(child.text)

El código anterior muestra cómo analizar un archivo XML e imprimir algunos elementos.

Paso 4: Guardar los datos XML en un archivo CSV

Después de analizar el XML, puede guardar los datos en un archivo CSV utilizando la biblioteca pandas:

import pandas as pd

parsed_dict = {
    "title": ["The Great Gatsby"],
    "author": ["F. Scott Fitzgerald"],
    "year": [1925]
}

df = pd.DataFrame(parsed_dict)
df.to_csv("parsed_xml_data.csv", index=False)

Paso 5: Tratamiento de XML no válido

La biblioteca Beautiful Soup puede analizar documentos XML que pueden contener errores:

from bs4 import BeautifulSoup

invalid_xml = """
<root>
 <person>
  <name>John Doe</name>
  <message>This is a message & an invalid XML example.</message>
 </person>
</root>
"""

soup = BeautifulSoup(invalid_xml, features="lxml-xml")
print(soup.prettify())

Beautiful Soup puede manejar XML inválido, pero es más lenta que otras bibliotecas de análisis XML.