python - 在 Python 3 中遍历 TEI，某些实体的文本为空

Question

我有一个 TEI 编码的 xml 文件，其实体如下:

<sp>
    <speaker rend="italic">Sampson.</speaker>
    <ab>
         <lb n="5"/>
         <hi rend="italic">Gregory:</hi>
         <seg type="homograph">A</seg> my word wee'l not carry coales.<lb n="6"/>
    </ab>
</sp>
<sp>
     <speaker rend="italic">Greg.</speaker>
     <ab>No, for then we should be Colliars.
         <lb n="7" rend="rj"/>
     </ab>
</sp>

完整文件非常大，但可以在此处访问:http://ota.ox.ac.uk/desc/5721 。我尝试使用 Python 3 遍历 xml 并获取与标签关联的所有文本，这是找到对话的地方。

import xml.etree.ElementTree as etree
tree = etree.parse('romeo_juliet_5721.xml')
doc = tree.getroot()
for i in doc.iter(tag='{http://www.tei-c.org/ns/1.0}ab'):   
        print(i.tag, i.text)
>>> http://www.tei-c.org/ns/1.0}ab 
>>>                  
>>> {http://www.tei-c.org/ns/1.0}ab No, for then we should be Colliars.

输出很好地捕获了实体，但无法将“my word wee'l not Carry coales”识别为第一个 ab 的文本。如果它在不同的元素内，我就看不到它。我考虑过将整个元素转换为字符串并使用正则表达式(或通过剥离所有 xml 标签)获取元素文本，但我宁愿了解这里发生的情况。感谢您提供的任何帮助。

Answer 1

那是因为在 ElementTree模型中，文本“my word wee'l not Carry coales.” 被视为 tail <seg>元素而不是 text <ab> 。要获取元素的文本及其子元素的尾部，您可以尝试以下方式:

for i in doc.iter(tag='{http://www.tei-c.org/ns/1.0}ab'): 
    innerText = i.text+''.join((text.tail or '') for text in i.iter()).strip()  
    print(i.tag, innerText)