使用BeautifulSoup和Python中的lxml在xml中删除标记及其内容

时间:2013-11-22 07:25:52

标签: python xml parsing beautifulsoup lxml

我正在使用我的Evernote数据 - 提取到xml文件。我使用BeautifulSoup解析了数据,这里是我的xml数据的样本。

<note>
<title>
 Audio and camera roll from STUDY DAY! in San Francisco
</title>
<content>
<![CDATA[<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!DOCTYPE en-note SYSTEM "http://xml.evernote.com/pub/enml2.dtd">
<en-note><div><en-media type="image/jpeg" hash="e3a84de41c9886b93a6921413b8482d5" width="1080" style="" height="1920"/><en-media type="image/jpeg" hash="b907b22a9f2db379aec3739d65ce62db" width="1123" style="" height="1600"/><en-media type="audio/wav" hash="d3fdcd5a487531dc156a8c5ef6000764" style=""/><br/></div>

</en-note>
]]>
</content>
<created>
 20130217T153800Z
</created>
<updated>
 20130217T154311Z
</updated>
<note-attributes>
<latitude>
 37.78670730072799
</latitude>
<longitude>
 -122.4171893858559
</longitude>
<altitude>
 42
</altitude>
<source>
 mobile.iphone
</source>
<reminder-order>
 0
</reminder-order>
</note-attributes>
<resource>
<data encoding="base64">

我想在这里探讨两种途径: 1.查找和删除特定标签(在这种情况下) 2.找到要提取到另一个文档的组/标签列表

这是我当前解析xml的代码并将其输出到文本文件。

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('myNotes.xml','r'))
with open("file.txt", "w") as f:
f.write(soup.prettify().encode('utf8'))

2 个答案:

答案 0 :(得分:2)

您可以按名称搜索节点

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(open('myNotes.xml', 'r'))


source = soup.source
print source

#<source>
# mobile.iphone
#</source>


source = soup.source
print source.string

# mobile.iphone

另一种方法,findAll方法:

for tag in soup.findAll('source'):
    print tag.string

如果你想打印每个节点剥离标签,这应该做的工作:

for tag in soup.findAll():
    print tag.string

希望它有所帮助。

编辑:<强> _ __ _ ____

BeautifulSoup假设您知道结构,但根据定义,xml是结构化数据存储。 因此,您需要为BS提供解析xml的指南。

row = []
title = soup.note.title.string
created = soup.note.created.string
row.append(title)
row.append(created)

现在你只需要迭代xml。

答案 1 :(得分:1)

如果您使用的是BeautifulSoup,则可以使用getText()方法去除子元素中的标记并获取一个合并文本

source.getText()