python - 当文本之间的元素时提取 xml 文本

Question

我有这个 xml 文件:

<do title='Example document' date='today'>
<db descr='First level'>
    <P>
        Some text here that
        <af d='reference 1'>continues</af>
        but then has some more stuff.
    </P>
</db>

我需要解析它以提取其文本。我正在使用xml.etree.ElementTree为此(see documentation)。

这是我用来解析和探索文件的简单代码:

import xml.etree.ElementTree as ET
tree = ET.parse(file_path)
root = tree.getroot()

def explore_element(element):
    print(element.tag)
    print(element.attrib)
    print(element.text)
    for child in element:
        explore_element(child)

explore_element(root)

一切按预期工作，除了元素 <P>没有完整的文本。特别是，我似乎缺少“但还有更多内容”(<P> 中的文本位于 <af> 元素之后)。

xml 文件是给定的，所以我无法改进它，即使有更好的推荐方法来编写它(并且有太多需要尝试手动修复)。

有什么办法可以获取所有文本吗？

我的代码产生的输出(如果有帮助的话)是这样的:

do
{'title': 'Example document', 'date': 'today'}

db
{'descr': 'First level'}

P 
{}
        Some text here that

af
{'d': 'reference 1'}
continues

编辑:

被接受的答案让我意识到我没有像我应该的那样仔细阅读文档。有相关问题的人也可能会发现 .tail 很有用。

Answer 1

使用BeautifulSoup:

list_test.xml:

<do title='Example document' date='today'>
<db descr='First level'>
    <P>
        Some text here that
        <af d='reference 1'>continues</af>
        but then has some more stuff.
    </P>
</db>

然后:

from bs4 import BeautifulSoup

with open('list_test.xml','r') as f:
    soup = BeautifulSoup(f.read(), "html.parser")
    for line in soup.find_all('p'):
         print(line.text)

输出:

Some text here that
continues
but then has some more stuff.

编辑:

使用elementree:

import xml.etree.ElementTree as ET
xml = '<p> Some text here that <af d="reference 1">continues</af> but then has some more stuff.</p>'
tree = ET.fromstring(xml)
print(''.join(tree.itertext()))

输出:

Some text here that continues but then has some more stuff.