Python元素树——从元素中提取文本，剥离标签

Question

使用 Python 中的 ElementTree，我如何从节点中提取所有文本，去除该元素中的所有标签并仅保留文本？

例如，假设我有以下内容:

<tag>
  Some <a>example</a> text
</tag>

我想返回一些示例文本。我该怎么做呢？到目前为止，我采用的方法产生了相当灾难性的后果。

Answer 1

如果您在 Python 3.2+ 下运行，您可以使用 itertext。

itertext 创建一个文本迭代器，它按文档顺序循环遍历此元素和所有子元素，并返回所有内部文本:

import xml.etree.ElementTree as ET
xml = '<tag>Some <a>example</a> text</tag>'
tree = ET.fromstring(xml)
print(''.join(tree.itertext()))

# -> 'Some example text'

如果你运行的是低版本的Python，可以重用the implementation of itertext()通过将它附加到 Element 类，之后你可以像上面一样调用它:

# original implementation of .itertext() for Python 2.7
def itertext(self):
    tag = self.tag
    if not isinstance(tag, basestring) and tag is not None:
        return
    if self.text:
        yield self.text
    for e in self:
        for s in e.itertext():
            yield s
        if e.tail:
            yield e.tail

# if necessary, monkey-patch the Element class
if 'itertext' not in ET.Element.__dict__:
    ET.Element.itertext = itertext

xml = '<tag>Some <a>example</a> text</tag>'
tree = ET.fromstring(xml)
print(''.join(tree.itertext()))

# -> 'Some example text'