Python从文档中剥离XML标记

Question

我正在尝试使用Python来删除文档中的XML标记，这是我新手使用的语言。这是我第一次尝试使用正则表达式，whixh真的是一个希望最好的想法。

mfile = file("somefile.xml","w")

for line in mfile:
    re.sub('<./>',"",line) #trying to match elements between < and />

悲惨地失败了。我想知道如何使用正则表达式。

其次，我用Google搜索并找到：http://code.activestate.com/recipes/440481-strips-xmlhtml-tags-from-string/

似乎有用。但我想知道有没有更简单的方法来摆脱所有的xml标签？也许使用ElementTree？

Answer 1

最可靠的方法是使用LXML。

from lxml import etree
...
tree = etree.parse('somefile.xml')
notags = etree.tostring(tree, encoding='utf8', method='text')
print(notags)

它将避免使用正则表达式“解析”XML的问题，并且应该正确处理转义和所有内容。

Answer 2

在不需要lxml外部库的情况下替代Jeremiah的答案：

import xml.etree.ElementTree as ET
...
tree = ET.fromstring(Text)
notags = ET.tostring(tree, encoding='utf8', method='text')
print(notags)

可以使用任何Python＆gt; = 2.5

Answer 3

  

请注意，通常用正则表达式来表达是不正常的。请参阅Jeremiah answer。

试试这个：

import re

text = re.sub('<[^<]+>', "", open("/path/to/file").read())
with open("/path/to/file", "w") as f:
    f.write(text)