Question

我正在解析大小的xml文件（150mb）。因为beautifulsoup是众所周知的，所以我把它拿起来了。 xml格式如下：

<tag>
  <tag1>
   <texttag>Some text</texttag>
  </tag1>
 </tag>

<tag>
  <tag1>
   <texttag>Some other text</texttag>
  </tag1>
 </tag>

我有两千个这样的元素。由于根标签不在这里所以我根据每个元素的主标签将其拆分，因为它相同并转换成列表（再次是两千个）。这是怎么回事：

import itertools as it
from bs4 import BeautifulSoup
filename = 'some.xml'
btree = BeautifulSoup(open(filename), "lxml-xml")

with open(filename,'r') as f:
 for key,group in it.groupby(f,lambda line: line.startswith('tag')):
    if not key:
        group = list(group)
        #print(group)
        texttags= btree.find_all("texttag")
        for text in texttags:
          print (text.string)

在运行而不是迭代到下一个元素并显示其文本等时，它会显示第一个元素的文本2000次，而不是显示所有带有提到标记的元素的文本。有人可以帮我纠正吗？

PS：我无法修改XML的结构。另外，我是一个仍然涉足python及其库的业余爱好者。

Answer 1

我担心你不能将lxml-xml用于此文档，因为它只会获取第一个标记但是，您可以使用lxml或html.parser。

btree = BeautifulSoup(open(filename), "html.parser")
texttags= btree.find_all("texttag")
for text in texttags:
    print(text.string)

或者，如果您必须使用lxml-xml，则可以使用html.parser收集标记，然后构建新的BeautifulSoup对象并将标记附加到根标记。

soup = BeautifulSoup(open(filename), "html.parser")
btree = BeautifulSoup("<root></root>", "lxml-xml")

for tag in soup.find_all('tag'):
    btree.root.append(tag)

Answer 2

有两个错误。首先，您需要打开（文件名）而不是打开（“文件名”）。在您的代码中，您基本上操作两个文件而不是一个：'some.xml'和'filename'。

其次，在使用BeautifulSoup解析文件后，无需使用open（...）打开文件。整个代码应该是：

<action application="set" data="sip_rh_X-Reason=Destination Number Not in Footprint"/>
<action application="set" data="sip_bye_h_X-Accounting=Some Accounting Data"/>

使用BeautifulSoup从多个XML列表中提取文本数据

2 个答案: