Question

我正在尝试使用lxml来获取格式为

的标记数组

<TEXT1>TEXT</TEXT1>

<TEXT2>TEXT</TEXT2>

<TEXT3>TEXT</TEXT3>

我尝试使用

xml_file.findall("TEXT*")

但这会搜索文字星号。

我也尝试使用 ETXPath ，但似乎无效。是否有任何API函数可以使用它，因为假设 TEXT 被整数追加并不是最漂亮的解决方案。

Answer 1

是的，您可以使用regular expressions in lxml xpath。

以下是一个例子：

results = root.xpath(
    "//*[re:test(local-name(), '^TEXT.*')]",
    namespaces={'re': "http://exslt.org/regular-expressions"})

当然，在你提到的例子中，你并不需要正则表达式。您可以使用starts-with() xpath函数：

results = root.xpath("//*[starts-with(local-name(), 'TEXT')]")

完成计划：

from lxml import etree

root = etree.XML('''
    <root>
      <TEXT1>one</TEXT1>
      <TEXT2>two</TEXT2>
      <TEXT3>three</TEXT3>
      <x-TEXT4>but never four</x-TEXT4>
    </root>''')

result1 = root.xpath(
    "//*[re:test(local-name(), '^TEXT.*')]",
    namespaces={'re': "http://exslt.org/regular-expressions"})

result2 = root.xpath("//*[starts-with(local-name(), 'TEXT')]")

assert(result1 == result2)

for result in result1:
    print result.text, result.tag

满足新要求，请考虑以下XML：

<root>
   <tag>
      <TEXT1>one</TEXT1>
      <TEXT2>two</TEXT2>
      <TEXT3>three</TEXT3>
   </tag>
   <other_tag>
      <TEXT1>do not want to found one</TEXT1>
      <TEXT2>do not want to found two</TEXT2>
      <TEXT3>do not want to found three</TEXT3>
   </other_tag>
</root>

如果想要找到TEXT元素的直接子元素的所有<tag>元素：

result = root.xpath("//tag/*[starts-with(local-name(), 'TEXT')]")
assert(' '.join(e.text for e in result) == 'one two three')

或者，如果想要所有TEXT元素只是第一个tag元素的直接子元素：

result = root.xpath("//tag[1]/*[starts-with(local-name(), 'TEXT')]")
assert(' '.join(e.text for e in result) == 'one two three')

或者，如果只想找到每个TEXT元素的第一个tag元素：

result = root.xpath("//tag/*[starts-with(local-name(), 'TEXT')][1]")
assert(' '.join(e.text for e in result) == 'one')

Resorources：

Answer 2

这是一个想法：

import lxml.etree

doc = lxml.etree.parse('test.xml')
elements = [x for x in doc.xpath('//*') if x.tag.startswith('TEXT')]

lxml通过正则表达式查找标签

2 个答案: