Question

我有一个类似于这样的XML文件：

<TAG1>
   <TAG2 attribute1 = "attribute_i_need" attribute2 = "attribute_i_dont_need" >
      Text I want to use
   </TAG2>
   <TAG3>
      Text I'm not interested in
   </TAG3>
   <TAG4>
      More text I want to use
   </TAG4>

我需要的是以某种方式获得“我想要使用的文本”和“我想要使用的更多文本”，而不是以字符串的形式获得“我不感兴趣的文本”，以后可以使用一些随意的功能。我还需要以字符串的形式获得“attribute_i_need”。我之前没有真正使用过sax解析器而且我完全卡住了。我能够使用以下内容打印文档中的所有文本：

import xml.sax

class myHandler(xml.sax.ContentHandler):

    def characters(self, content):
        print (content)

parser = xml.sax.make_parser()
parser.setContentHandler(myHandler())
parser.parse(open("sample.xml", "r"))

这基本上会给我输出：

Text I want to use
Text I'm not interested in
More text I want to use

但问题是双重的。首先，这包括我不感兴趣的文本。其次，它所做的就是打印文本。我无法弄清楚如何仅打印特定文本，或编写将文本作为字符串返回的代码，我可以将其分配给变量并在以后使用。我甚至不知道如何开始提取我感兴趣的属性。

有谁知道如何解决这个问题？我更喜欢一个涉及sax解析器的解决方案，因为我至少对它的工作方式有一个模糊的理解。

Answer 1

想法是在遇到TAG2或TAG4后开始保存所有字符，并在元素结束时停止。开放元素也是检查和保存有趣属性的机会。

import xml.sax

class myHandler(xml.sax.ContentHandler):
    def __init__(self):
        self.text = []
        self.keeping_text = False
        self.attributes = []

    def startElement(self, name, attrs):
        if name.lower() in ('tag2', 'tag4'):
            self.keeping_text = True

        try:
            # must attribute1 be on a tag2 or anywhere?
            attr = attrs.getValue('attribute1')
            self.attributes.append(attr)
        except KeyError:
            pass

    def endElement(self, name):
        self.keeping_text = False

    def characters(self, content):
        if self.keeping_text:
            self.text.append(content)

parser = xml.sax.make_parser()
handler = myHandler()
parser.setContentHandler(handler)
parser.parse(open("sample.xml", "r"))

print handler.text
print handler.attributes

# [u'\n', u'      Text I want to use', u'\n', u'   ',
#  u'\n', u'      More text I want to use', u'\n', u'   ']
# [u'attribute_i_need']

我认为BeautifulSoup甚至是lxml只会更容易。

如何使用python sax解析器将XML标记之间的文本作为字符串获取和存储？

1 个答案: