Queremos extraer el contenido del nodo <ValorBinario> de este fichero xml que namespaces:
Nos fijamos que el namespace marcado en naranja no tiene nombre, por tanto se aplicará a todas los nodos cuyas etiquetas no tenganprefijo del namespace como "contenido" o "ValorBinario"
<?xml version="1.0" encoding="UTF-8" standalone="yes"?> <insidews:documento xmlns="http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido"
xmlns:ns2="http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos"
xmlns:ns3="http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma"
xmlns:ns4="http://www.w3.org/2000/09/xmldsig#"
xmlns:ns5="http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e"
xmlns:ns6="https://ssweb.seap.minhap.es/Inside/XSD/v1.0/metadatosAdicionales"
xmlns:ns7="https://ssweb.seap.minhap.es/Inside/XSD/v1.0/documento-e"
xmlns:insidews="https://ssweb.seap.minhap.es/Inside/XSD/v1.0/WebService"> <ns5:documento Id="ES_L01462384_2022_2_ACORDS_PLE000001"> <contenido Id="CONTENIDO_DOCUMENTO"> <ValorBinario>JVB..</ValorBinario> <NombreFormato>PDF</NombreFormato> </contenido> <ns2:metadatos Id="DOC_ES_L01462384_2022_2_ACORDS_PLE000001_METADATOS"> <ns2:VersionNTI>http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e</ns2:VersionNTI> <ns2:Identificador>ES_L01462384_2022_2_ACORDS_PLE000001</ns2:Identificador> <ns2:Organo>L01462384</ns2:Organo> <ns2:FechaCaptura>2024-11-05T00:00:00.000+01:00</ns2:FechaCaptura> <ns2:OrigenCiudadanoAdministracion>true</ns2:OrigenCiudadanoAdministracion> <ns2:EstadoElaboracion> <ns2:ValorEstadoElaboracion>EE99</ns2:ValorEstadoElaboracion> </ns2:EstadoElaboracion> <ns2:TipoDocumental>TD02</ns2:TipoDocumental> </ns2:metadatos> <ns3:firmas> <ns3:firma Id="FIRMA_1"> <ns3:TipoFirma>TF06</ns3:TipoFirma> <ns3:ContenidoFirma> <ns3:FirmaConCertificado> <ns3:ReferenciaFirma xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:xs="http://www.w3.org/2001/XMLSchema" xsi:type="xs:string">#CONTENIDO_DOCUMENTO</ns3:ReferenciaFirma> </ns3:FirmaConCertificado> </ns3:ContenidoFirma> </ns3:firma>
<ns3:firma Id="FIRMA_2"> <ns3:TipoFirma>TF06</ns3:TipoFirma> <ns3:ContenidoFirma> <ns3:FirmaConCertificado> <ns3:ReferenciaFirma xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:xs="http://www.w3.org/2001/XMLSchema" xsi:type="xs:string">#CONTENIDO_DOCUMENTO</ns3:ReferenciaFirma> </ns3:FirmaConCertificado> </ns3:ContenidoFirma> </ns3:firma> </ns3:firmas> </ns5:documento> <ns7:metadatosAdicionales> <ns6:MetadatoAdicional tipo="string" nombre="eEMGDE3.1.Nombre.NombreNatural"> <ns6:valor xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:xs="http://www.w3.org/2001/XMLSchema" xsi:type="xs:string">$5.NOM_DOC$</ns6:valor> </ns6:MetadatoAdicional> </ns7:metadatosAdicionales> </insidews:documento>
para ello se ha creado este programa python
import base64 from lxml import etree def extraer_pdf(xml_path, output_pdf_path): try: # Cargar el archivo XML with open(xml_path, "rb") as xml_file: xml_data = xml_file.read() # Parsear el XML tree = etree.fromstring(xml_data) # Definir los namespaces utilizados en el XML namespaces = { "insidews": "https://ssweb.seap.minhap.es/Inside/XSD/v1.0/WebService", "ns5": "http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e", "contenido": "http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido" } # Listar nodos para depuración print("Nodos disponibles:") for elem in tree.iter(): print(f"{elem.tag}") # Buscar el contenido del tag <ValorBinario> valor_binario_node = tree.xpath( "//insidews:documento/ns5:documento/contenido:contenido/contenido:ValorBinario", namespaces=namespaces ) if not valor_binario_node: raise ValueError("No se encontró el tag <ValorBinario> en el documento XML.") # Extraer el contenido en Base64 valor_binario = valor_binario_node[0].text # Decodificar el contenido Base64 pdf_data = base64.b64decode(valor_binario) # Guardar el contenido en el archivo PDF with open(output_pdf_path, "wb") as pdf_file: pdf_file.write(pdf_data) print(f"Archivo PDF extraído correctamente y guardado en: {output_pdf_path}") except Exception as e: print(f"Error al procesar el archivo XML: {e}") # Ruta al archivo XML y al PDF de salida xml_path = "/home/eduard/MyPython/02.llibreriesOLD/ximo-python-library/ES_L01462384_2022_2_ACORDS_PLE000001.xml" output_pdf_path = "mifichero.pdf" # Ejecutar la función extraer_pdf(xml_path, output_pdf_path)
Y cuando nos lista los nodos aparece
{https://ssweb.seap.minhap.es/Inside/XSD/v1.0/WebService}documento {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e}documento {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido}contenido {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido}ValorBinario {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido}NombreFormato {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}metadatos {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}VersionNTI {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}Identificador {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}Organo {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}FechaCaptura {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}OrigenCiudadanoAdministracion {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}EstadoElaboracion {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}ValorEstadoElaboracion {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/metadatos}TipoDocumental {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}firmas {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}firma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}TipoFirma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}ContenidoFirma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}FirmaConCertificado {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}ReferenciaFirma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}firma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}TipoFirma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}ContenidoFirma {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}FirmaConCertificado {http://administracionelectronica.gob.es/ENI/XSD/v1.0/firma}ReferenciaFirma {https://ssweb.seap.minhap.es/Inside/XSD/v1.0/documento-e}metadatosAdicionales {https://ssweb.seap.minhap.es/Inside/XSD/v1.0/metadatosAdicionales}MetadatoAdicional {https://ssweb.seap.minhap.es/Inside/XSD/v1.0/metadatosAdicionales}valor
A raiz de todo esto vemos que en el fichero xml, la ruta a <ValorBinario> es:
<insidews:documento><ns5:documento><contenido><ValorBinario>
Por otra parte si reducimos el listado anterior:
{https://ssweb.seap.minhap.es/Inside/XSD/v1.0/WebService}documento {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e}documento {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido}contenido {http://administracionelectronica.gob.es/ENI/XSD/v1.0/documento-e/contenido}ValorBinario
Vemos que contenido si tiene un namespace que es "contenido" y tambien ValorBinario tiene el namespace "contenido". Por tanto la ruta para llegar a valor binario es:
# Buscar el contenido del tag <ValorBinario> valor_binario_node = tree.xpath( "//insidews:documento/ns5:documento/contenido:contenido/contenido:ValorBinario", namespaces=namespaces )
