Pythonのxmlパーザ minidom

以前に，xmlからデータの抽出を行う xml.dom.minidom - kensuke-miの日記で，自分で書いたにもかかわらず，また忘れていたので，今回はもう少し書く．

あるコーパスがあって，xmlで保存されているのだが，いろいろと扱いづらい（タグが日本語で記述されている，必要ない情報まで記述されている，そもそもxmlは好きじゃない　など）ので，必要な情報のみを抜き出す．

いま，コーパスの方は

        <文 文番号="1001">
        <ペルシア語文> farsi </ペルシア語文>
<日本語訳> ここに日本語訳</日本語訳>
                      <ローマ字>romanized here</ローマ字>
                      </文>

というレイアウトで構成されているとする．
このxmlから，ペルシア語文，日本語訳のみを抜き出すためには，下のスクリプトを使えばいい．

#! /usr/bin/python
#-*- coding:utf-8 -*-

import codecs, sys, re, json;
import xml.dom.minidom;

#コーパスの情報を保存しておくための配列
sentence_set_list=[];

file_path='./test.xml';
out_path='test';
document_json=codecs.open(out_path, 'w', 'utf-8');

#minidomを使用して，xmlの解析をする．domにはインスタンスが返される
dom=xml.dom.minidom.parse(file_path);

#getElementsByTagNameメソッドでxmlタグの名前を指定できる．sentence_nodeには，<文>タグと，その子供に関する情報を格納したインスタンスの配列が返される．
sentence_node=dom.getElementsByTagName(u'文');

for node in sentence_node:
    #一文ごとの情報を保存するためのマップ
    sentence_map={};
    #getAttributeメソッドで，要素を獲得できる．
    sentence_id=int(node.getAttribute(u'文番号'));
    sentence_map.setdefault('sentence_id', sentence_id);
    #childNodesメソッドで，子供ノードが格納された配列が返される
    for child in node.childNodes:
        if child.nodeName==u'ペルシア語文':
            #ここはよくわからないが，とにかくテキストデータを取得したければ，こうすればいい
            persian_sentence=child.childNodes[0].data;
            sentence_map.setdefault('persian_sentence', persian_sentence)

        if child.nodeName==u'日本語訳':
            japn_sentence=child.childNodes[0].data;
            sentence_map.setdefault('jpn_sentence', japn_sentence);

    sentence_set_list.append(sentence_map);

#jsonに書き出し
json.dump(sentence_set_list, document_json, indent=4, ensure_ascii=False);

結果，下のjsonファイルを得ることができる．

[
    {
        "persian_sentence": " farsi ", 
        "sentence_id": 1001, 
        "jpn_sentence": " ここに日本語訳", 
        "roman_sentence": " farsi "
    }
]

参考
satomacoto: PythonでXMLを扱う