Importar archivos XML en Python

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>adenizet0@sbwire.com</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>rbutchart1@google.ca</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>lwasylkiewicz2@comcast.net</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