我正在尝试用 Python 解析 XML。这是 XML 结构的示例:
<a>aaaa1
<b>bbbb</b>aaaa2
<c>cccc</c>aaaa3
</a>
可见对于根树a,它有文本“aaaa1”,“aaaa2”在树b和c之间,“aaaa3”在c和a内部。我想以“a”:{“aaaa1”,“aaaa2”,“aaaa3”},“b”:{“bbbb”},“c”:{“cccc”}的方式提取文本。
这只是一个示例,因此深度/标签/节点可能会更复杂,因此正则表达式或 xpath 可能无法正常工作。 我使用了 Element.text、Element.itertext() 和 Element.tail,但是“aaaa2”将被视为 b 的尾部,而“aaaa3”将被视为 c 的尾部。有没有什么方法可以按照上面的方式一般地放置文本?
xml = '<a>aaaa1<b>bbbb</b>aaaa2<c>cccc</c>aaaa3</a>'
parser = XMLParser(strip_cdata=False)
element = etree.fromstring(xml, parser)
for text in element.itertext():
print(text)
for text in element.itertext(tag='a'):
print(text)
for child in element.getchildren():
print(child.tag, child.text, child.tail)
暂时我试图通过以下方法识别元素 a 的所有文本字段,该方法将文本与子元素的尾部结合起来:
text_iter = itertools.chain([element.text], (child.tail for child in element.iterchildren()))
text_iter = (text for text in text_iter if isinstance(text, str))
因为我不太熟悉 XML 模式结构和标准,不确定这是否总是有效,以及是否有任何其他更好的解决方案。
请您参考如下方法:
您可以创建一个函数来收集作为给定父元素的直接子元素的文本节点:
def read_element(e):
return {e.tag: [t.strip() for t in e.xpath("text()")]}
然后对 XML 中的每个元素调用该函数并以所需格式打印结果,例如:
print(read_element(element))
for e in element.iterdescendants():
print(read_element(e))
