Question

我正在使用ElementTree来解析XML文件。在某些字段中，会有HTML数据。例如，考虑如下声明：

<Course>
    <Description>Line 1<br />Line 2</Description>
</Course>

现在，假设_course是一个Element变量，它保存了这个Couse元素。我想访问这门课程的描述，所以我这样做：

desc = _course.find("Description").text;

但是desc只包含“Line 1”。我读了一些关于.tail属性的内容，所以我也试过了：

desc = _course.find("Description").tail;

我得到了相同的输出。我该怎么做才能使desc成为“Line 1
Line 2”（或者字面上的任何东西）？换句话说，我正在寻找类似于C＃中的.innerText属性（以及我猜的许多其他语言）。

Answer 1

您是否可以控制xml文件的创建？应编码包含xml标记（或类似）或标记字符（'<'等）的xml标记的内容以避免此问题。您可以使用以下任一方式执行此操作：

CDATA部分
Base64或其他一些编码（不包含xml保留字符）
实体编码（'<'=='<'）

如果您无法进行这些更改，并且ElementTree无法忽略xml架构中未包含的标记，则您必须预处理该文件。当然，如果架构与html重叠，那你就不走运了。

Answer 2

您正在尝试从错误的元素中读取tail属性。尝试

desc = _course.find("br").tail;

tail属性用于在读取混合内容XML文件时存储尾随文本节点;在元素存储在该元素的tail属性中之后直接跟随的文本：

    <tag><elem>this goes into elem's
    text attribute</elem>this goes into
    elem's tail attribute</tag>

简单的代码片段，用于打印xml / xhtml中所有元素的text和tail属性。

import xml.etree.ElementTree as ET

def processElem(elem):
    if elem.text is not None:
        print elem.text
    for child in elem:
        processElem(child)
        if child.tail is not None:
            print child.tail

xml = '''<Course>
    <Description>Line 1<br />Line 2 <span>child text </span>child tail</Description>
    </Course>'''

root = ET.fromstring(xml)
processElem(root)

输出：

Line 1
Line 2 
child text 
child tail

有关更好的解决方案，请参阅http://code.activestate.com/recipes/498286-elementtree-text-helper/。它可以修改为适合。

P.S。我在user839338中更改了我的名字，如下一篇文章所述

Answer 3

像“＆lt;”这样的字符和“＆amp;”在XML元素中是非法的。

“＆LT;”将生成错误，因为解析器将其解释为新元素的开头。

“＆安培;”将生成错误，因为解析器将其解释为字符实体的开头。

有些文字，比如JavaScript代码，包含很多“＆lt;”或“＆amp;”字符。为避免错误，脚本代码可以定义为CDATA。

解析器会忽略CDATA部分内的所有内容。

CDATA部分以“”开头：

有关以下内容的更多信息：http://www.w3schools.com/xmL/xml_cdata.asp

希望这有帮助！

Answer 4

受到user839338's answer的启发，我没有找到合理的解决方案，看起来有点像这样。

>>> from xml.etree import ElementTree as etree
>>> corpus = '''<Course>
...     <Description>Line 1<br />Line 2</Description>
... </Course>'''
>>> 
>>> doc = etree.fromstring(corpus)
>>> desc = doc.find("Description")
>>> desc.tag = 'html'
>>> etree.tostring(desc)
'<html>Line 1<br/>Line 2</html>\n'
>>>

没有简单的方法可以消除周围的标记（最初为<Description>），但很容易将其修改为可以根据需要使用的内容，例如<div>或<span>

使用ElementTree在节点内部的HTML

4 个答案: