XML (Extensible Mark up Language) es un lenguaje de marcado que codifica los datos en texto plano. Permitiendo así que estos puedan ser legibles tanto por parte de máquinas como por personas, de manera análoga a los JSON. Actualmente es un lenguaje que es usado por múltiples programas para almacenar y transmitir datos estructurados. A diferencia de los archivos JSON o Excel no existe una forma fácil de importar los XML en Python, por lo que requiere algo más de trabajo. A continuación, vamos a ver como se puede el módulo ElementTree para importar archivos XML en Python.
Archivo de ejemplo
Como en otras ocasiones vamos a utilizar datos generados por Mockaroo para tener un conjunto de datos para el ejercicio. Simplemente usaremos los elementos por defecto de e indicaremos que nos exporte un archivo con 10 registros en formato XML. Los primeros registros de este archivo se muestran a continuación:
<?xml version='1.0' encoding='UTF-8'?> <dataset> <record> <id>1</id> <first_name>Adelaida</first_name> <last_name>Denizet</last_name> <email>[email protected]</email> <gender>Female</gender> <ip_address>218.178.45.101</ip_address> </record> <record> <id>2</id> <first_name>Rubia</first_name> <last_name>Butchart</last_name> <email>[email protected]</email> <gender>Female</gender> <ip_address>2.102.241.8</ip_address> </record> <record> <id>3</id> <first_name>Latia</first_name> <last_name>Wasylkiewicz</last_name> <email>[email protected]</email> <gender>Female</gender> <ip_address>89.27.210.100</ip_address> </record>
ElementTree
El módulo ElementTree está incluido por defecto en Python, por lo que no es necesario instalar ninguna librería. Un módulo que se puede encontrar dentro de xml.etree. Para importar un archivo XML y procesarlo en Python solamente es necesario cargar el método parse de este módulo, algo que se puede conseguir con la siguiente línea.
from xml.etree.ElementTree import parse
Importar el archivo XML en Python
Ahora para importar un archivo XML solamente es necesario pasar como parámetro de parse el nombre de este. Lo que nos creará un objeto de tipo ElementTree.
document = parse('dataset.xml')
<xml.etree.ElementTree.ElementTree at 0x11d81b490>
Los objetos ElementTree contienen ítems de diferentes tipos, cada uno de los cuales se identifica mediante un nombre. Por lo que es necesario identificar los ítems que nos interesan e iterar sobre ellos. Además, hay que tener en cuenta que el contenido de los ítems pueden ser tanto los valores como otro conjunto de ítems. En el archivo de ejemplo, cada uno de los registros se guarda en ítem con el nombre record. Por lo que debemos usar el método iterfind para poder iterar sobre estos, como se muestra a continuación.
for item in document.iterfind('record'):
print(item)
<Element 'record' at 0x10c564b90> <Element 'record' at 0x10c564e90> <Element 'record' at 0x10c56c170> <Element 'record' at 0x10c56c410> <Element 'record' at 0x10c56c6b0> <Element 'record' at 0x10c56c950> <Element 'record' at 0x10c56cbf0> <Element 'record' at 0x10c56ce90> <Element 'record' at 0x10c56d170> <Element 'record' at 0x10c56d410>
Como se puede ver en la terminal, cada uno de los 10 ítems son un elemento de los que se tiene que extraer los valores. Valores que también se identifican por un nombre. El método que podemos utilizar para extraer los valores como texto es findtext, con el que se puede extraer el listado de nombres.
for item in document.iterfind('record'):
print(item.findtext('first_name'))
Adelaida Rubia Latia Montague Kaja Neilla Dianemarie Cassandre Fonzie Caressa
Creación de un DataFrame
Es posible que queramos importar los datos como un DataFrame, para poder usar así las herramientas que nos ofrece Pandas para trabajar con datos. Esto se puede conseguir iterando sobre los registros como se ha visto antes y guardando los valores que nos interesan en listas con las que posteriormente podremos crear el DataFrame.
import pandas as pd
first_name = []
last_name = []
gender = []
ip_address = []
for item in document.iterfind('record'):
first_name.append(item.findtext('first_name'))
last_name.append(item.findtext('last_name'))
gender.append(item.findtext('gender'))
ip_address.append(item.findtext('ip_address'))
df = pd.DataFrame({'First name':first_name, 'Last name':last_name, 'Gender':gender, 'ip':ip_address})
First name Last name Gender ip 0 Adelaida Denizet Female 218.178.45.101 1 Rubia Butchart Female 2.102.241.8 2 Latia Wasylkiewicz Female 89.27.210.100 3 Montague Dabbes Male 136.176.47.212 4 Kaja Hairyes Female 80.192.222.158 5 Neilla Rigardeau Female 154.48.83.216 6 Dianemarie Ruthen Female 211.45.140.213 7 Cassandre Yukhnev Female 249.174.93.0 8 Fonzie Labbati Male 175.83.0.226 9 Caressa Lanaway Female 33.107.216.28
Conclusiones
Aún existe muchos programas que utilizan archivos XML para almacenar y exportar datos, por lo que puede ser necesario saber como importar estos en Python. Desafortunadamente Pandas no dispone en este momento de funciones para realizar esta tarea directamente, por lo que es necesario acudir al módulo ElementTree para importar archivos XML en Python.
Imagen de PublicDomainPictures en Pixabay
Publicidad