Python XML转JsonSchema 将XML结构转换为JSON校验规则-XML/RSS教程-PHP中文网

xmltodict解析无schema的xml生成json schema需显式标记重复标签、清洗bom/注释/自闭合标签、结合样本推断类型与required、处理命名空间/cdata/混合内容等隐式语义。

python xml转jsonschema 将xml结构转换为json校验规则

直接用 xmltodict.parse() 得到的是嵌套字典，但 JSON Schema 要求明确类型、可选性、数组约束等——它不会自动推断 @attr 是字符串还是布尔，也不会知道某个标签重复出现就该是 type: "array"。

实操建议：

先用 xmltodict.parse(xml_str, force_list=('item', 'entry')) 显式标记可能重复的标签，避免后期靠启发式判断
对每个字段做类型探测：检查值是否全为数字、是否含 True/False 字符串、是否为空或只含空格（对应 "nullable": true）
忽略 XML 属性名中的 @ 前缀不处理，统一转成字段名，比如 @id → id；但要记录原始属性存在，因为 JSON Schema 里它只是普通字段
不要把所有叶子节点都设成 type: "string"——若某字段在多个样本中恒为整数，优先设 "type": ["integer", "null"]

XML 常带 BOM、注释、DOCTYPE 声明或自闭合标签写法不一（<tag></tag> vs <tag></tag>），ElementTree 会直接报错，而 xmltodict 底层也依赖它。

实操建议：

用 re.sub(r'', '', xml_str, flags=re.DOTALL) 清除注释（别用正则删 DOCTYPE，容易误杀）
开头检测 BOM：xml_str.encode().startswith(b'\xef\xbb\xbf')，有则切掉
对疑似自闭合标签做容错：用 re.sub(r']*)/>', r'\1>', xml_str) 补全（仅限无内容的简单标签）
最终交给 xmltodict.parse() 前，先用 xml.etree.ElementTree.fromstring() 尝试解析，捕获异常再 fallback 到清洗逻辑

XML 本身没 required 概念，但实际业务中某些标签必然存在（如 <order_id></order_id>），有些可选（如 <discount_code></discount_code>）。靠单个 XML 样本无法准确判断，必须结合上下文。

实操建议：

若某标签在顶层或固定路径下始终出现（比如根元素下第一个子元素），默认加入 required
若标签名含 opt_、maybe_ 或文档注明 “optional”，跳过 required
数组字段（如 items）即使为空列表，也不应进 required，除非业务强制要求至少一个
绝对不要把 XML 属性当 required 字段——比如 <user id="123"></user> 中的 id 属性，得看它是否在所有样本中都存在，而不是看当前样本有没有

很多人导出后发现 JSON Schema 对不上原始 XML 数据，问题往往不在转换逻辑，而在忽略了 XML 的隐式语义。

实操建议：

text 和 tail 内容被丢弃：比如 <p>Hello<em>world</em>!</p> 中的感叹号是 tail，xmltodict 默认不保留，需用 process_namespaces=False + 自定义解析器提取
命名空间（xmlns）未处理：带命名空间的标签如 <price></price> 会被转成 {"ns:price": "10"}，但 JSON Schema 通常不接受冒号字段名，得提前 strip 前缀
CDATA 内容被当作普通文本解析：若原始 XML 用 ...