xbrlと殴り合うためにxpathを使う

有価証券報告書のxbrlとかMB単位のやたら力強いxmlで、
まともに殴り合うとつらすぎるので、xpathで必要なところだけ抜き出す話。

xpathはこのあたりがわかりやすい。
https://qiita.com/rllllho/items/cb1187cec0fb17fc650a

下準備

サンプルのターゲットはこいつ。
https://www.mizuho-fg.co.jp/investors/financial/report/yuho_201603/data/xbrl_mhbk160627.zip

~/Downloads に落としてきてzipを展開しておく。

欲しいところのnamespaceとタグ名は事前に調べておかないとならない。
ここは手作業。
今回は jpcrp_cor 名前空間の、タグ名に BusinessResults が含まれる要素を抜き出してみる。

namespace

<jpcrp_cor:OrdinaryIncomeSummaryOfBusinessResults ... みたいなタグ名の、コロンの左側の部分がnamespace。
これは要素名と別に指定が必要。

namespaceはroot要素 <xbrli:xbrl> の属性にくっついてる。
jpcrp_cor の場合はこれ。

xmlns:jpcrp_cor="http://disclosure.edinet-fsa.go.jp/taxonomy/jpcrp/2013-08-31/jpcrp_cor"

で、こう。

# coding: utf-8

import os
import lxml.etree

file = '%s/Downloads/xbrl_mhbk160627/PublicDoc/jpcrp030000-asr-001_E03532-000_2016-03-31_01_2016-06-27.xbrl' % os.environ["HOME"]
doc = lxml.etree.parse(file)

ns = {
    "jpcrp_cor": "http://disclosure.edinet-fsa.go.jp/taxonomy/jpcrp/2013-08-31/jpcrp_cor",
}

# 'BusinessResults' が含まれてるタグ名で引っ掛ける
xp = "//*[contains(name(), 'BusinessResults')]"
elems = doc.xpath(xp, namespaces=ns)

for x in elems:
    print(x.text)