这是我的第一个问题。通常我能找到我需要的东西,但经过一周的搜索和尝试后,我还在同一个地方,所以我需要你的帮助。
我有一本书,它位于一个超过 6000 行的大型 XML 文件中。我需要做的是取一个元素 <sec>并将其内容放入字符串中。有时该元素只有一个段落,有时它有更多,有时段落有列表和其他东西,我需要将所有这些都捕获到一个字符串中。
这里是一个如何格式化书籍的例子。
<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>
在这个例子中,我需要标签内的所有内容(最好没有标题,但稍后我会弄清楚)。 我曾尝试使用“xml.etree.ElementTree”和“minidom”但没有成功。
这是我使用 minidom 的代码示例
from xml.dom import minidom
xmldoc = minidom.parse("xCHES.xml")
book = xmldoc.getElementsByTagName("book")[0]
sec = book.getElementsByTagName("sec")
当我列出一些元素时,我得到的数字与我在 xml 文件中搜索“<sec”时得到的数字相同,所以我想我得到了所有元素。 在这一点之后我被卡住了,我找不到如何将所有内容提取为文本的方法。
“ElementTree”也是一样,我可以找到所有 <sec>元素,但我无法提取文本,或者只能提取其中的一小部分。
所以如果有人能帮我解决这个问题,那就太好了。什么方法都无所谓,只要能完成工作即可。
编辑: 期望的输出将是
<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>
但作为刺痛。这可以在一行中,格式无关紧要。
谢谢你:)
请您参考如下方法:
关注@stovfl 在 How to get inner content as string using minidom from xml.dom? 上的回答
也许这对你有用?
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
