Question

这是我的第一个问题。通常，我可以找到所需的东西，但是经过一周的搜索和尝试之后，我就在同一地方，所以我需要您的帮助。

我有一本书，它是一个大型XML文件，长度超过6000行。我需要做的是将元素<sec>放入字符串中。有时该元素只有一个段落，有时它有更多段落，有时该段落具有列表等内容，我需要将其全部捕获到一个字符串中。

这是书籍格式化的示例。

<book>
    <book-body>
        <book-part id="ch01" book-part-type="chapter">
            <book-part-meta>
                <title-group>
                    <label><target target-type="page" id="pg1"/>Chapter 1</label>
                    <title>Some Title</title>
                </title-group>
            </book-part-meta>
            <body>
                <sec id="ch01lev1sec1" disp-level="level1">
                    <title>Introduction</title>
                    <p>This is a <em>paragraph</em></p>
                    <p>This is second paragraph
                        <list list-type="bullet">
                        <list-item><p>List Item 1</p></list-item>
                        <list-item><p>List Item 2</p></list-item>
                        <list-item><p>List Item 3</p></list-item>
                        </list>
                    </p>
                </sec>
            </body>
        </book-part>
    </book-body>
</book>

在这个示例中，我需要标记中的所有内容（理想情况下没有标题，但稍后会知道）。我尝试使用“ xml.etree.ElementTree”和“ minidom”，但未成功。

这是我的使用Minidom代码的示例

from xml.dom import minidom

xmldoc = minidom.parse("xCHES.xml")

book = xmldoc.getElementsByTagName("book")[0]

sec = book.getElementsByTagName("sec")

当我列出多个元素时，得到的编号与在xml文件中搜索“ <sec”时的编号相同，所以我想我都得到了它们。在这之后，我陷入了困境，我找不到找到将所有内容提取为文本的方法。

“ ElementTree”也是如此，我可以找到所有<sec>个元素，但是我不能提取文本，也不能提取文本的一小部分。

因此，如果有人可以帮助我解决这个问题，那就太好了。只要完成工作，什么方法都没关系。

编辑：所需的输出将是

<title>Introduction</title>
<p>This is a <em>paragraph</em></p>
<p>This is second paragraph
    <list list-type="bullet">
    <list-item><p>List Item 1</p></list-item>
    <list-item><p>List Item 2</p></list-item>
    <list-item><p>List Item 3</p></list-item>
    </list>
</p>

但是有点刺痛。这可能只是一行，格式无关紧要。

谢谢：）

Answer 1

按照@stovfl对How to get inner content as string using minidom from xml.dom?的回答

也许这对您有用吗？

def getText(nodelist):
    # Iterate all Nodes aggregate TEXT_NODE
    rc = []
    for node in nodelist:
        if node.nodeType == node.TEXT_NODE:
            rc.append(node.data)
        else:
            # Recursive
            rc.append(getText(node.childNodes))
    return ''.join(rc)


# Iterate <sec..>...</sec> Node List
for node in nodelist:
    print(getText(node.childNodes))

输出：

                Introduction
                This is a paragraph
                This is second paragraph

                    List Item 1
                    List Item 2
                    List Item 3

Answer 2

我认为BeautifulSoup可以使您的工作更轻松。

尝试一下。

new.xml

<book>
    <book-body>
        <book-part id="ch01" book-part-type="chapter">
            <book-part-meta>
                <title-group>
                    <label><target target-type="page" id="pg1"/>Chapter 1</label>
                    <title>Some Title</title>
                </title-group>
            </book-part-meta>
            <body>
                <sec id="ch01lev1sec1" disp-level="level1">
                    <title>Introduction</title>
                    <p>This is a paragraph</p>
                    <p>This is second paragraph
                        <list list-type="bullet">
                        <list-item><p>List Item 1</p></list-item>
                        <list-item><p>List Item 2</p></list-item>
                        <list-item><p>List Item 3</p></list-item>
                        </list>
                    </p>
                </sec>
            </body>
        </book-part>
    </book-body>
</book>

代码

data = BeautifulSoup(open('new.xml', 'r')) #new.xml file contains the xml data
data.find_all('sec')

输出看起来像

[<sec disp-level="level1" id="ch01lev1sec1">
 <title>Introduction</title>
 <p>This is a paragraph</p>
 <p>This is second paragraph
                         <list list-type="bullet">
 <list-item><p>List Item 1</p></list-item>
 <list-item><p>List Item 2</p></list-item>
 <list-item><p>List Item 3</p></list-item>
 </list>
 </p>
 </sec>]

我认为您可以在此之后轻松解析。 Ping，如果您需要解析方面的帮助

使用Python解析XML并打印整个元素

2 个答案: