python - 删除所有 XML 标签，只保留标签之间的文本

Question

我有一个 XML(实际上是一个 XML 样式表)。使用 Python，我想从中删除所有标签，只保留标签之间的文本。

最简单的解决方案是什么？我在这里看到了一个类似的问题: How to remove all html tags from downloaded page

但出于某种原因，这在这种情况下似乎不起作用。请注意，我不希望在标签中使用引号分隔文本 - 我真的想删除所有以“<”开头并以“>”结尾的内容。

Answer 1

你可以使用 xml.parsers.expat :

from xml.parsers.expat import ParserCreate

def char_data(data):
    if data.strip(): # skip empty text if you want
        print data

parser = ParserCreate()
parser.CharacterDataHandler = char_data
parser.Parse(doc,True)

或xml.sax :

from xml.sax import make_parser, handler

class extract_text(handler.ContentHandler):
    def characters(self,data):
        if data.strip():
            print data

parser = make_parser()
parser.setContentHandler(extract_text())
parser.feed(doc)

如果它不是格式正确的 XML，您也可以尝试 HTMLParser :

from HTMLParser import HTMLParser

class extract_text(HTMLParser):
    def handle_data(self,data):
        if data.strip():
            print data

parser = extract_text()
parser.feed(doc)