python - 如何在 Python 中获取两个 xml 标记之间的全部内容？

Question

我尝试获取起始 xml 标记和结束标记之间的全部内容。

获取像 title 这样的直接案例中的内容下面很简单，但是如果使用 mixed-content 并且我想保留内部标签，我怎样才能在标签之间获取全部内容 ？

<?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>

我要的是两个之间的内容text 标签，包括任何标签:Some text with <extradata>data</extradata> in it. It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> or more</sometag>.

目前我使用正则表达式，但它有点乱，我不喜欢这种方法。我倾向于基于 XML 解析器的解决方案。我看了minidom , etree , lxml和 BeautifulSoup但找不到这种情况的解决方案(全部内容，包括内部标签)。

Answer 1

这里有一些对我和你的样本有用的东西:

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>的所有子节点元素，如果它们是字符串/unicode 子类 (<class 'lxml.etree._ElementStringResult'>) 或调用 etree.tostring，则直接将它们呈现为 unicode如果它是一个 Element , with_tail=False避免重复尾部。

您可能需要处理其他节点类型(如果存在)。