Question

我试图比较两个XML文件中特定标记的所有实例的文本。我正在使用的OCR引擎输出一个xml文件，其中包含标签<OCRCharacters>...</OCRCharacters>中的所有ocr chraracters。

我正在使用python 2.7.11和美丽的汤4（bs4）。从终端，我用两个xml文件名作为参数调用我的python程序。

我想提取每个文件的<OCRCharacters>标记中的所有字符串，将它们与difflib逐行比较，然后编写一个带有差异的新文件。

我使用$ python parse_xml_file.py file1.xml file2.xml从终端调用该程序。

下面的代码打开每个文件，并打印标记<OCRCharacters>中的每个字符串。我应该如何将使用bs4制作的对象转换为可以与difflib一起使用的字符串。我愿意接受更好的方法（使用python）来做到这一点。

import sys

with open(sys.argv[1], "r") as f1:
    xml_doc_1 = f1.read()

with open(sys.argv[2], "r") as f2:
    xml_doc_2 = f2.read()

from bs4 import BeautifulSoup
soup1 = BeautifulSoup(xml_doc_1, 'xml')
soup2 = BeautifulSoup(xml_doc_2, 'xml')

print("#####################",sys.argv[1],"#####################")
for tag in soup1.find_all('OCRCharacters'):
    print(repr(tag.string))
    temp1 = repr(tag.string)
    print(temp1)
print("#####################",sys.argv[2],"#####################")    
for tag in soup2.find_all('OCRCharacters'):
    print(repr(tag.string))
    temp2 = repr(tag.string)

Answer 1

你可以试试这个：

import sys
import difflib
from bs4 import BeautifulSoup

text = [[],[]]
files = []
soups = []

for i, arg in enumerate(sys.argv[1:]):
  files.append(open(arg, "r").read())
  soups.append(BeautifulSoup(files[i], 'xml'))

  for tag_text in soups[i].find_all('OCRCharacters'):
    text[i].append(''.join(tag_text))

for first_string, second_string in zip(text[0], text[1]):
    d = difflib.Differ()
    diff = d.compare(first_string.splitlines(), second_string.splitlines())
    print '\n'.join(diff)

使用xml1.xml：

<node>
  <OCRCharacters>text1_1</OCRCharacters>
  <OCRCharacters>text1_2</OCRCharacters>
  <OCRCharacters>Same Value</OCRCharacters>
</node>

和xml2.xml：

<node>
  <OCRCharacters>text2_1</OCRCharacters>
  <OCRCharacters>text2_2</OCRCharacters>
  <OCRCharacters>Same Value</OCRCharacters>
</node>

输出将是：

- text1_1
?     ^

+ text2_1
?     ^

- text1_2
?     ^

+ text2_2
?     ^

  Same Value

使用差异与美丽的汤对象

1 个答案: