Question

我有以下xml：

<head>
  <body>
    <para>
      <Run>
        <Runprop>
           <highlight val="red"/>
        <break/>
        <text>
         Hello there
        </text>
        </RunProp>
      </Run>
      <Run>
        <break/>
      </Run>
      <Run>
         <text>
          See you there
         </text>
      </Run>
    </para> ..
  </body>
</head>

我想提取所有带有highlight“红色”值的文字。请注意，highlight标记的级别低于文本标记的级别。条件是：

对于每个段落，添加一个额外的空格。
如果在迭代highlight标记的父项时遇到break标记，请添加空格。
仅提取与highlight标记

我所做的是：

text=""                                #initialize an empty string
for p in lxml_tree.findall('para'): #itertate over each paragraph (all paragarpahs have the same tag name para)
    for r in p.findall("Run"):     #iterate over each run
         for a in r.iter(tag="highlight"): #search for highlight tag
            for b in a.iterancestors(): #go back to the parents
                if b.tag=="break":     #if break found
                   text+=" "           # add a space
                elif b.tag=="text":    # if text found
                   text+=''.join(b.text) #add text

以上似乎不起作用，因为iterancestors一直到达根节点。我怎么可能迭代父母，Runprop，break和text？我已经为所有文本实现了类似的内容，并且有效。

编辑1 ：
上面只是一个有缺陷的逻辑，我宁愿迭代段落中的每个Run，首先搜索break，然后查看Runprop中是否有突出显示，然后在父亲的兄弟中提取文本

Answer 1

我已经设法解决了一些想法，并从anzel的答案中得到了一个想法。

text=""          
for p in lxml_tree.findall('para'):   #iterate over paragraphs
    text+= " "                        #add spaces
    for r in p.findall("Run"):        #iterate over each run in para
         for a in r.findall("break"):  #search for break tag in it and add space if found
            text+= " "
         for b in r.findall('.//highlight[@val="red"]/../..//text'): #search for red highlight in that run and return text
             text+=''.join(b.text) # append text to main string

Answer 2

由于您的xml具有<highlight>，<break />和<text>的位置模式，因此您实际上不需要返回父级。

我将使用iter和getnext来实现您的需求：

from lxml import etree

html = '''
<head>
  <body>
    <para>
      <Run>
        <RunProp>
           <highlight val="red" />
        <break/>
        <text>
         Hello there
        </text>
        </RunProp>
      </Run>
      <Run>
        <break/>
      </Run>
      <Run>
         <text>
          See you there
         </text>
      </Run>
    </para> ..
  </body>
</head>'''

tree = etree.fromstring(html)

for node in tree.iter():
    if node.tag == 'para':
        node.text = '..your space here..' + node.text
        print node.text
    if node.tag == 'highlight':
        print node.values()
        if node.getnext().tag == 'break':
            print node.getnext().tag
            if node.getnext().getnext().tag == 'text':
                node.getnext().getnext().text = \
                    '..your space here..' + node.getnext().getnext().text
                print node.getnext().getnext().text
        elif node.getnext().tag == 'text':
            print node.getnext().text

..your space here....your space here..

['red']
break
..your space here....your space here..
         Hello there

将更改写入文件：

etree.ElementTree(tree).write('output.xml', pretty_print=True)

cat output.xml
<head>
  <body>
    <para>..your space here..
      <Run>
        <RunProp>
           <highlight val="red"/>
        <break/>
        <text>..your space here..
         Hello there
        </text>
        </RunProp>
      </Run>
      <Run>
        <break/>
      </Run>
      <Run>
         <text>
          See you there
         </text>
      </Run>
    </para> ..
  </body>
</head>

使用findall，Lxml迭代Xml

2 个答案: