Question

我尝试在一个开放的xml标签和它的结束对应物之间获取整个内容。

在下面的title这样的简单案例中获取内容很简单，但如果使用混合内容，如何在代码之间获取整个内容我想保留内部标签？

<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
  <text sometimes="attribute">Some text with <extradata>data</extradata> in it.
  It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> 
  or more</sometag>.</text>
</review>

我想要的是两个 text 标记之间的内容，包括任何标记：Some text with <extradata>data</extradata> in it. It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> or more</sometag>.

现在我使用正则表达式，但它有点混乱，我不喜欢这种方法。我倾向于基于XML解析器的解决方案。我查看了minidom，etree，lxml和BeautifulSoup，但找不到针对此案例的解决方案（整个内容，包括内部代码）。

Answer 1

这对我和你的样本有用：

from lxml import etree
doc = etree.XML(
"""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
  <text>Some text with <extradata>data</extradata> in it.</text>
</review>"""
)

def flatten(seq):
  r = []
  for item in seq:
    if isinstance(item,(str,unicode)):
      r.append(unicode(item))
    elif isinstance(item,(etree._Element,)):
      r.append(etree.tostring(item,with_tail=False))
  return u"".join(r)

print flatten(doc.xpath('/review/text/node()'))

收率：

Some text with <extradata>data</extradata> in it.

xpath选择<text>元素的所有子节点，如果它们是字符串/ unicode子类（<class 'lxml.etree._ElementStringResult'>），则直接将它们呈现为unicode，如果它是，则调用etree.tostring一个Element，with_tail=False避免重复尾部。

如果它们存在，您可能需要处理其他节点类型。

Answer 2

from lxml import etree
t = etree.XML(
"""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
  <text>Some text with <extradata>data</extradata> in it.</text>
</review>"""
)
(t.text + ''.join(map(etree.tostring, t))).strip()

这里的技巧是t是可迭代的，并且在迭代时，产生所有子节点。由于etree避免使用文本节点，因此您还需要使用t.text在第一个子标记之前恢复文本。

In [50]: (t.text + ''.join(map(etree.tostring, t))).strip()
Out[50]: '<title>Some testing stuff</title>\n  <text>Some text with <extradata>data</extradata> in it.</text>'

或者：

In [6]: e = t.xpath('//text')[0]

In [7]: (e.text + ''.join(map(etree.tostring, e))).strip()
Out[7]: 'Some text with <extradata>data</extradata> in it.'

Answer 3

使用parse()和tostring()函数lxml *相当容易：

from  lxml.etree import parse, tostring

首先你解析文档并获取你的元素（我使用XPath，但你可以使用你想要的任何东西）：

doc = parse('test.xml')
element = doc.xpath('//text')[0]

tostring()函数返回元素的文本表示：

>>> tostring(element)
'<text>Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'

但是，您不需要外部元素，因此我们可以通过简单的str.replace()调用删除它们：

>>> tostring(element).replace('<%s>'%element.tag, '', 1)
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'

请注意str.replace()收到1作为第三个参数，因此它只会删除第一个出现的开始标记。也可以使用结束标记来完成。现在，我们传递-1而不是1，代替：

>>> tostring(element).replace('</%s>'%element.tag, '', -1)
'<text>Some <text>text with <extradata>data</extradata> in it.\n'

当然，解决方案是一次性完成所有事情：

>>> tostring(element).replace('<%s>'%element.tag, '', 1).replace('</%s>'%element.tag, '', -1)
'Some <text>text with <extradata>data</extradata> in it.\n'

编辑：@Charles说得好：这段代码很脆弱，因为标签可以有属性。一种可能但仍然有限的解决方案是将字符串拆分为第一个>：

>>> tostring(element).split('>', 1)
['<text',
 'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n']

得到第二个结果字符串：

>>> tostring(element).split('>', 1)[1]
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'

然后将其解析：

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)
['Some <text>text</text> with <extradata>data</extradata> in it.', 'text>\n']

并最终获得第一个结果：

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)[0]
'Some <text>text</text> with <extradata>data</extradata> in it.'

尽管如此，这段代码仍然很脆弱，因为>是XML中完全有效的char，甚至在属性内部。

无论如何，我必须承认MattH solution是真正的一般解决方案。

*实际上这个解决方案也适用于ElementTree，如果您不想依赖于lxml，那就太棒了。唯一的区别是你将无法使用XPath。

Answer 4

我喜欢@ Marcin上面的解决方案，但我发现当使用他的第二个选项（转换子节点，而不是树的根）时，它不处理实体。

他的代码来自上面（修改为添加实体）：

from lxml import etree
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
    <text>this &amp; that.</text>
</review>""")
e = t.xpath('//text')[0]
print (e.text + ''.join(map(etree.tostring, e))).strip()

返回：

this & that.

裸露/未转义'＆amp;'字符而不是适当的实体（'＆amp; amp;'）。

我的解决方案是在节点级别（而不是所有子节点）上调用etree.tostring，然后使用正则表达式去除开始和结束标记：

import re
from lxml import etree
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
    <text>this &amp; that.</text>
</review>""")

e = t.xpath('//text')[0]
xml = etree.tostring(e)
inner = re.match('<[^>]*?>(.*)</[^>]*>\s*$', xml, flags=re.DOTALL).group(1)
print inner

产生

this &amp; that.

我使用re.DOTALL来确保这适用于包含换行符的XML。

Answer 5

刚刚找到解决方案，非常简单：

In [31]: t = x.find('text')

In [32]: t
Out[32]: <Element text at 0xa87ed74>

In [33]: list(t.itertext())
Out[33]: ['Some text with ', 'data', ' in it.']

In [34]: ''.join(_)
Out[34]: 'Some text with data in it.'

itertext绝对是去这里的方式！

编辑：//对不起我以为你只想要孩子之间的文字，我的不好

如何在Python中获取两个xml标记之间的全部内容？

5 个答案: