python - 在 Python 中，解析自定义 XML 标签而不解析 HTML

Question

我是 Python 2.7 的新手，我正在尝试解析包含 HTML 的 XML 文件。我想解析自定义 XML 标签，而不解析任何 HTML 内容。最好的方法是什么？ (如果有帮助的话，我的自定义 XML 标记列表很小，因此如果有一个 XML 解析器可以选择仅解析指定的标记，那么可能会很好地工作。)

例如我有一个 XML 文件，看起来像

<myTag1 myAttrib="value">
  <myTag2>
    <p>My what a lovely day.</p>
  </myTag2>
</myTag1>

我希望能够解析除 HTML 之外的所有内容，特别是将 myTag2 的值提取为未解析的 HTML。

编辑:这里有更多信息来回答下面的问题。我之前尝试过使用 ElementTree。事情是这样的:

root = ET.fromstring(xmlstring)
root.tag  # returns 'myTag1'
root[0].tag  # returns 'myTag2'
root[0].text  # returns None, but I want it to return the HTML string

我想要的HTML字符串已经被解析并存储为标签和文本:

root[0][0].tag  # returns 'p', but I don't even want root[0][0] to exist
root[0][0].text  # returns 'My ... day.'

但我真的希望能够做这样的事情......

root[0].unparsedtext  # returns '<p>My ... day.</p>'

解决方案:

har07的回答效果很好。我稍微修改了代码以解决边缘情况。这是我正在实现的:

def _getInner(element):
    if element.text == None:
        textStr = ''
    else:
        textStr = element.text
    return textStr + ''.join(ET.tostring(e) for e in element)

那么如果

element = ET.fromstring('<myTag>Let us be <b>gratuitous</b> with tags</myTag>')

原始代码只会返回以第一个 XML 格式标记开始的文本，但修改后的版本将捕获所需的文本:

''.join(ET.tostring(e) for e in element)  # returns '<b>gratuitous</b> with tags'

_getInner(element)  # returns 'Let us be <b>gratuitous</b> with tags'

Answer 1

我认为没有一种简单的方法可以修改 XML 解析器行为以忽略某些预定义的标记。一种更简单的方法是让解析器正常解析 XML，然后您可以为此目的创建一个返回元素的未解析内容的函数，例如:

import xml.etree.ElementTree as ET

def getUnparsedContent(element):
    return ''.join(ET.tostring(e) for e in element)

xmlstring = """<myTag1 myAttrib="value">
  <myTag2>
    <p>My what a lovely day.</p>
  </myTag2>
</myTag1>"""

root = ET.fromstring(xmlstring)
print(getUnparsedContent(root[0]))

输出:

<p>My what a lovely day.</p>