如何在Python中的两个xml标签之间获取整个内容？

Question

我尝试获取开始xml标记和关闭对象之间的整个内容。下面

获得像title直案件的内容很容易，但我怎么能得到标记之间的全部内容如果混合内容使用，我想保持内标签？

<?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> 

我想是两个text标签，包括任何标签的内容：Some text with <extradata>data</extradata> in it. It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> or more</sometag>.

现在我使用正则表达式，但它得到的有点乱，我不喜欢这种方式。我倾向于基于XML解析器的解决方案。我查看了minidom,etree,lxml和BeautifulSoup，但找不到这种情况下的解决方案（整个内容，包括内部标签）。

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() 

这里的诀窍是t是可迭代的，迭代时产生所有子节点。由于etree避免了文本节点，因此您还需要在第一个子标记之前恢复文本，并使用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

就找到了解决办法，很简单：

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去这里的路！

编辑：//对不起，我以为你只想要孩子之间的文字，是我不好

Answer 3

这里的东西，对我来说，你的样本工程：

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()')) 

产量：

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

xpath选择<text>元素的所有子节点，并且如果它们是字符串/ unicode子类（<class 'lxml.etree._ElementStringResult'>）或cal，则将它们直接呈现为unicode如果它是Element，with_tail=False就可以避免重复尾部。

您可能需要处理其他节点类型（如果它们存在）。

Answer 4

那是相当容易lxml *，使用parse()和tostring()功能：

from lxml.etree import parse, tostring 

首先，解析文档，让你的元素（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()函数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，所以我们可以用一个简单的str.replace()调用其删除：

>>> 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作为第三个参数，因此它只会移除第一次出现的开标签。也可以用结束标签来完成。现在，而不是1，我们通过-1来代替：

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

的解决方案，当然，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' 

编辑：@Charles取得了良好的点：这个代码很脆弱，因为标签可以有属性。一种可能的，但仍有限的解决方案是拆分在第一>字符串：

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

获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' 

然后rsplitting它：

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

，并终于得到第一个结果：

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

尽管如此，这个代码仍然很脆弱，因为>是XML中完全有效的字符，甚至是属性内部的字符。我不得不承认MattH solution是真正的通用解决方案。

*实际上，该解决方案也适用于ElementTree，如果您不想依赖lxml，这种方法非常好。唯一的区别是你将无法使用XPath。

Answer 5

我喜欢@以上马辛的解决方案，但是我发现，使用他的第二个选项时（将一个子节点，而不是树的根），它不处理实体。

他从上述（修改以添加的实体）代码：

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() 

回报：

this & that. 

与裸/未逸出 '&' 字符，而不是一个适当的实体（” &安培;'）。

我的解决办法是使用在节点级别（而不是在所有儿童）来调用etree.tostring，然后剥离使用正则表达式的开始和结束标签：

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 

生产：

this & that. 

我使用re.DOTALL来确保这适用于包含换行符的XML。