如何使用python sax解析器将XML标记之间的文本作为字符串获取和存储？

Question

我有一个看起来像这样的XML文件：

<TAG1> 
    <TAG2 attribute1 = "attribute_i_need" attribute2 = "attribute_i_dont_need" > 
     Text I want to use 
    </TAG2> 
    <TAG3> 
     Text I'm not interested in 
    </TAG3> 
    <TAG4> 
     More text I want to use 
    </TAG4> 

我需要的是某种方式得到“文字我想用”和“更多的文字我想用”，但不是“文字我m不感兴趣“的字符串形式，稍后可以被某些任意函数使用。我还需要以字符串的形式得到“attribute_i_need”。我之前并没有真正使用sax解析器，而且我完全陷入困境。我可以只打印所有文本使用下列文件中：

import xml.sax 

class myHandler(xml.sax.ContentHandler): 

    def characters(self, content): 
     print (content) 

parser = xml.sax.make_parser() 
parser.setContentHandler(myHandler()) 
parser.parse(open("sample.xml", "r")) 

这将基本上给我的输出：

Text I want to use 
Text I'm not interested in 
More text I want to use 

但问题是双重的。首先，这包括我不感兴趣的文本。其次，它所做的只是打印文本。我不知道如何只打印特定的文本，或编写代码将文本返回为一个字符串，我可以将其分配给一个变量并稍后使用。我甚至不知道如何开始提取我感兴趣的属性。

有谁知道如何解决这个问题？而且我更喜欢一个涉及萨克斯解析器的解决方案，因为我至少对它的工作原理有一个模糊的理解。

Answer 1

想法是在遇到TAG2或TAG4后开始保存所有字符，并在元素结束时停止。开放元素也是检查和保存有趣属性的机会。

import xml.sax 

class myHandler(xml.sax.ContentHandler): 
    def __init__(self): 
     self.text = [] 
     self.keeping_text = False 
     self.attributes = [] 

    def startElement(self, name, attrs): 
     if name.lower() in ('tag2', 'tag4'): 
      self.keeping_text = True 

     try: 
      # must attribute1 be on a tag2 or anywhere? 
      attr = attrs.getValue('attribute1') 
      self.attributes.append(attr) 
     except KeyError: 
      pass 

    def endElement(self, name): 
     self.keeping_text = False 

    def characters(self, content): 
     if self.keeping_text: 
      self.text.append(content) 

parser = xml.sax.make_parser() 
handler = myHandler() 
parser.setContentHandler(handler) 
parser.parse(open("sample.xml", "r")) 

print handler.text 
print handler.attributes 

# [u'\n', u'  Text I want to use', u'\n', u' ', 
# u'\n', u'  More text I want to use', u'\n', u' '] 
# [u'attribute_i_need'] 

我觉得BeautifulSoup甚至裸lxml会更容易些。