时间戳

首页 > 解决方案 > Python - 使用 lxml 在 XLM 文件中提取带有标签的内容

python - Python - 使用 lxml 在 XLM 文件中提取带有标签的内容

问题描述

我正在尝试使用 lxml 从 xml 文件中提取数据。例如：test.xml

<document>
    <body>
        <title>test title</title>
        <subtitle>test subtitle</subtitle>
        <content>
            <p>blabla bla bla <em>bla bla</em> blabla bla bla <strong>blabla</strong> blabla</p>
            <p>blabla bla bla blabla bla bla blabla</p> 
            <p>blabla bla bla <em>bla bla</em> blabla</p>
        </content>
    </body>
</document>

要提取标题或副标题，可以：

from lxml import etree

xmlData = []
tree = '/folder/test/xml'
for title in tree.xpath("/document/body/title"):
    xmlData['title'] = title.text
for subtitle in tree.xpath("/document/body/subtitle"):
    xmlData['subtitle'] = subtitle.text

但是对于内容来说，就不一样了……for content in tree.xpath("/document/body/content")不行，我要尝试一下，for content in tree.xpath("/document/body/content/p") 但是，我不会提取em内容和强内容。

我需要调用 tree.xpath("/document/body/content/p/em") 和 tree.xpath("/document/body/content/strong")。但是，在这种情况下，内容被分成三部分，我无法按正确的顺序将它们放在一起。例如，如果我尝试类似：

for content in tree.xpath("/document/body/content/p"):
    for em in tree.xpath("/document/body/content/p/em"):
        for strong in tree.xpath("/document/body/content/p/strong"):
            xmlData['content'] = content.text + em.text + strong.text

对于每个段落，我将拥有相同的 em 和强大的内容，即使对于没有这些标签的段落也是如此。

此外，如果我想保留html标签，我必须自己添加它们......

for content in tree.xpath("/document/body/content/p"):
    xmlData['content'] = '<p>' + content.text + '</p>'

我可以编写代码以提取 <content> 和</content> 之间的所有内容并将所有标签保留在里面吗？

标签： pythonxmlxpathlxmlelementtree

解决方案

使用 python 核心 XML 库 ElementTree。不需要外部库。这个想法是使用递归函数
扫描元素并收集文本。 该代码将所需的信息收集到一个字典中。p

import xml.etree.ElementTree as ET

xml = '''<document>
    <body>
        <title>test title</title>
        <subtitle>test subtitle</subtitle>
        <content>
            <p>jack<em>dan</em>ben<strong>jim</strong>steve</p>
            <p>blabla bla bla blabla bla bla blabla</p>
            <p>A<em>B</em>C</p>
        </content>
    </body>
</document>'''

root = ET.fromstring(xml)
title = root.find('.//title').text
subtitle = root.find('.//subtitle').text
data = dict(title=title, subtitle=subtitle)
p_list = []
for idx, p in enumerate(root.findall('.//p')):
    p_list.append(ET.tostring(p).strip().decode())
data['content'] = ' '.join(p_list)
print(data)

输出

{'title': 'test title', 'subtitle': 'test subtitle', 'content': '<p>jack<em>dan</em>ben<strong>jim</strong>steve</p> <p>blabla bla bla blabla bla bla blabla</p> <p>A<em>B</em>C</p>'}

推荐阅读