如何在Python中的兩個xml標籤之間獲取整個內容？

Question

我嘗試獲取開始xml標記和關閉對象之間的整個內容。下面

獲得像title直案件的內容很容易，但我怎麼能得到標記之間的全部內容如果混合內容使用，我想保持內標籤？

<?xml version="1.0" encoding="UTF-8"?> 
<review> 
    <title>Some testing stuff</title> 
    <text sometimes="attribute">Some text with <extradata>data</extradata> in it. 
    It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> 
    or more</sometag>.</text> 
</review> 

我想是兩個text標籤，包括任何標籤的內容：Some text with <extradata>data</extradata> in it. It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> or more</sometag>.

現在我使用正則表達式，但它得到的有點亂，我不喜歡這種方式。我傾向於基於XML解析器的解決方案。我查看了minidom,etree,lxml和BeautifulSoup，但找不到這種情況下的解決方案（整個內容，包括內部標籤）。

Answer 1

from lxml import etree 
t = etree.XML(
"""<?xml version="1.0" encoding="UTF-8"?> 
<review> 
    <title>Some testing stuff</title> 
    <text>Some text with <extradata>data</extradata> in it.</text> 
</review>""" 
) 
(t.text + ''.join(map(etree.tostring, t))).strip() 

這裏的訣竅是t是可迭代的，迭代時產生所有子節點。由於etree避免了文本節點，因此您還需要在第一個子標記之前恢復文本，並使用t.text。

In [50]: (t.text + ''.join(map(etree.tostring, t))).strip() 
Out[50]: '<title>Some testing stuff</title>\n <text>Some text with <extradata>data</extradata> in it.</text>' 

或者：

In [6]: e = t.xpath('//text')[0] 

In [7]: (e.text + ''.join(map(etree.tostring, e))).strip() 
Out[7]: 'Some text with <extradata>data</extradata> in it.' 

Answer 2

就找到了解決辦法，很簡單：

In [31]: t = x.find('text') 

In [32]: t 
Out[32]: <Element text at 0xa87ed74> 

In [33]: list(t.itertext()) 
Out[33]: ['Some text with ', 'data', ' in it.'] 

In [34]: ''.join(_) 
Out[34]: 'Some text with data in it.' 

itertext是definitly去這裏的路！

編輯：//對不起，我以爲你只想要孩子之間的文字，是我不好

Answer 3

這裏的東西，對我來說，你的樣本工程：

from lxml import etree 
doc = etree.XML(
"""<?xml version="1.0" encoding="UTF-8"?> 
<review> 
    <title>Some testing stuff</title> 
    <text>Some text with <extradata>data</extradata> in it.</text> 
</review>""" 
) 

def flatten(seq): 
    r = [] 
    for item in seq: 
    if isinstance(item,(str,unicode)): 
     r.append(unicode(item)) 
    elif isinstance(item,(etree._Element,)): 
     r.append(etree.tostring(item,with_tail=False)) 
    return u"".join(r) 

print flatten(doc.xpath('/review/text/node()')) 

產量：

Some text with <extradata>data</extradata> in it. 

xpath選擇<text>元素的所有子節點，並且如果它們是字符串/ unicode子類（<class 'lxml.etree._ElementStringResult'>）或cal，則將它們直接呈現爲unicode如果它是Element，with_tail=False就可以避免重複尾部。

您可能需要處理其他節點類型（如果它們存在）。

Answer 4

那是相當容易lxml *，使用parse()和tostring()功能：

from lxml.etree import parse, tostring 

首先，解析文檔，讓你的元素（我使用XPath，但你可以使用任何你想要的）：

doc = parse('test.xml') 
element = doc.xpath('//text')[0] 

的tostring()函數返回的元素的文本表示：

>>> tostring(element) 
'<text>Some <text>text</text> with <extradata>data</extradata> in it.</text>\n' 

然而，你不希望外部因素，所以我們可以用一個簡單的str.replace()調用其刪除：

>>> tostring(element).replace('<%s>'%element.tag, '', 1) 
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n' 

注意str.replace()收到1作爲第三個參數，因此它只會移除第一次出現的開標籤。也可以用結束標籤來完成。現在，而不是1，我們通過-1來代替：

>>> tostring(element).replace('</%s>'%element.tag, '', -1) 
'<text>Some <text>text with <extradata>data</extradata> in it.\n' 

的解決方案，當然，是在一次做的一切：

>>> tostring(element).replace('<%s>'%element.tag, '', 1).replace('</%s>'%element.tag, '', -1) 
'Some <text>text with <extradata>data</extradata> in it.\n' 

編輯：@Charles取得了良好的點：這個代碼很脆弱，因爲標籤可以有屬性。一種可能的，但仍有限的解決方案是拆分在第一>字符串：

>>> tostring(element).split('>', 1) 
['<text', 
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'] 

獲得第二生成的字符串：

>>> tostring(element).split('>', 1)[1] 
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n' 

然後rsplitting它：

>>> tostring(element).split('>', 1)[1].rsplit('</', 1) 
['Some <text>text</text> with <extradata>data</extradata> in it.', 'text>\n'] 

，並終於得到第一個結果：

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)[0] 
'Some <text>text</text> with <extradata>data</extradata> in it.' 

儘管如此，這個代碼仍然很脆弱，因爲>是XML中完全有效的字符，甚至是屬性內部的字符。我不得不承認MattH solution是真正的通用解決方案。

*實際上，該解決方案也適用於ElementTree，如果您不想依賴lxml，這種方法非常好。唯一的區別是你將無法使用XPath。

Answer 5

我喜歡@以上馬辛的解決方案，但是我發現，使用他的第二個選項時（將一個子節點，而不是樹的根），它不處理實體。

他從上述（修改以添加的實體）代碼：

from lxml import etree 
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?> 
<review> 
    <title>Some testing stuff</title> 
    <text>this &amp; that.</text> 
</review>""") 
e = t.xpath('//text')[0] 
print (e.text + ''.join(map(etree.tostring, e))).strip() 

回報：

this & that. 

與裸/未逸出 '&' 字符，而不是一個適當的實體（」 &安培;'）。

我的解決辦法是使用在節點級別（而不是在所有兒童）來調用etree.tostring，然後剝離使用正則表達式的開始和結束標籤：

import re 
from lxml import etree 
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?> 
<review> 
    <title>Some testing stuff</title> 
    <text>this &amp; that.</text> 
</review>""") 

e = t.xpath('//text')[0] 
xml = etree.tostring(e) 
inner = re.match('<[^>]*?>(.*)</[^>]*>\s*$', xml, flags=re.DOTALL).group(1) 
print inner 

生產：

this & that. 

我使用re.DOTALL來確保這適用於包含換行符的XML。