python - 使用 ElementTree 的 HTML 内部节点

Question

我正在使用 ElementTree 来解析 XML 文件。在某些字段中，会有 HTML 数据。例如，考虑如下声明:

<Course>
    <Description>Line 1<br />Line 2</Description>
</Course>

现在，假设 _course 是一个 Element 变量，它保存了这个 Couse 元素。我想访问此类(class)的说明，所以我这样做:

desc = _course.find("Description").text;

但是 desc 只包含“第 1 行”。我阅读了一些关于 .tail 属性的内容，所以我也尝试了:

desc = _course.find("Description").tail;

我得到了相同的输出。我应该怎么做才能使 desc 成为“第 1 行
第 2 行”(或字面意义上的 和 之间的任何内容)？换句话说，我正在寻找类似于 C#(以及我猜的许多其他语言)中的 .innerText 属性的内容。

Answer 1

您是否可以控制 xml 文件的创建？包含 xml 标签(或类似标签)或标记字符(' < ' 等)的 xml 标签的内容应该被编码以避免这个问题。您可以使用以下任一方式执行此操作:

• 一个CDATA节
• Base64 或其他一些编码(不包括 xml 保留字符)
• 实体编码('<'=='<')

如果您无法进行这些更改，并且 ElementTree 无法忽略未包含在 xml 架构中的标记，那么您将不得不预处理该文件。当然，如果架构与 html 重叠，那你就不走运了。