Question

我需要对其中一个标签内的文本进行一些操作，并希望为每个找到的文本节点获取父标记

代码：

import lxml.etree
import pprint
s = '''
<data>
    data text
    <foo>foo - <bar>bar</bar> text</foo>
    data text
    <bar>
        bar text
        <baz>baz text</baz>
        <baz>baz text</baz>
        bar text
    </bar>
    data text
</data>
'''
etree = lxml.etree.fromstring(s)
text = etree.xpath("//text()[normalize-space()]")
pprint.pprint([(s.getparent().tag, s.strip()) for s in text])

输出：

[('data', 'data text'),
 ('foo', 'foo -'),
 ('bar', 'bar'),
 ('bar', 'text'),
 ('foo', 'data text'),
 ('bar', 'bar text'),
 ('baz', 'baz text'),
 ('baz', 'baz text'),
 ('baz', 'bar text'),
 ('bar', 'data text')]

我期待：

[('data', 'data text'),
 ('foo', 'foo -'),
 ('bar', 'bar'),
 ('foo', 'text'),
 ('data', 'data text'),
 ('bar', 'bar text'),
 ('baz', 'baz text'),
 ('baz', 'baz text'),
 ('bar', 'bar text'),
 ('data', 'data text')]

我的错误在哪里？看起来像我输出中的标签 - 不是树中文本的父标签，而只是以前的标签。

修改符合我需求的工作代码：

etree = lxml.etree.fromstring(s)
text = etree.xpath("//text()[normalize-space()]")
for s in text:
    if s.is_tail:
        print(s.getparent().getparent().tag, s.strip())
    else:
        print(s.getparent().tag, s.strip())

Answer 1

您所看到的内容与tail属性（紧跟在结束标记之后的文本）有关，这是ElementTree和lxml表示XML的方式的特性。

通过在代码中添加is_tail测试（如果文本为“尾部文本”，则返回True），您可以看到正在发生的事情：

import lxml.etree
import pprint

s = '''
<data>
    data text
    <foo>foo - <bar>bar</bar> text</foo>
    data text
    <bar>
        bar text
        <baz>baz text</baz>
        <baz>baz text</baz>
        bar text
    </bar>
    data text
</data>
'''

etree = lxml.etree.fromstring(s)
text = etree.xpath("//text()[normalize-space()]")
pprint.pprint([(s.getparent().tag, s.is_tail, s.strip()) for s in text])

输出：

[('data', False, 'data text'),
 ('foo', False, 'foo -'),
 ('bar', False, 'bar'),§
 ('bar', True, 'text'),
 ('foo', True, 'data text'),
 ('bar', False, 'bar text'),
 ('baz', False, 'baz text'),
 ('baz', False, 'baz text'),
 ('baz', True, 'bar text'),
 ('bar', True, 'data text')]

Answer 2

据我所知，这是由于＆＃34;尾巴＆＃34; lxml中的概念（参见：2. How ElementTree represents XML）。当元素的内容包含元素节点和文本节点的混合时，文本节点表示为＆＃39; tail＆＃39;前面元素的或通常表示为父元素的子元素，只有它首先出现。

您可以拨打getparent()两次以获取实际的父级，以防出现“＆＃39;尾随＆＃39;文本节点（is_tail=True），例如：

pprint.pprint(
    [(s.getparent().getparent().tag if s.is_tail else s.getparent().tag,
      s.strip())
     for s in text]
    )

输出

[('data', 'data text'),
 ('foo', 'foo -'),
 ('bar', 'bar'),
 ('foo', 'text'),
 ('data', 'data text'),
 ('bar', 'bar text'),
 ('baz', 'baz text'),
 ('baz', 'baz text'),
 ('bar', 'bar text'),
 ('data', 'data text')]

为什么getparent（）没有按预期工作？

2 个答案: