5

我有一个格式类似于 docx 的 xml 文件，即：

<w:r>
  <w:rPr>
    <w:sz w:val="36"/>
    <w:szCs w:val="36"/>
  </w:rPr>
  <w:t>BIG_TEXT</w:t>
</w:r>

我需要获取BIG_TEXT源 xml 中的索引，例如：

from lxml import etree
text = open('/devel/tmp/doc2/word/document.xml', 'r').read()

root = etree.XML(text)

start = 0
for e in root.iter("*"):
    if e.text:
        offset = text.index(e.text, start)
        l = len(e.text)
        print 'Text "%s" at offset %s and len=%s' % (e.text, offset, l)
        start = offset + l

我可以从当前index+的位置开始新的搜索len(text)，但是还有其他方法吗？例如，元素可能只有一个字符w。它将找到标签文本的索引w，但不是标签文本的索引w。

4

1 回答 1

9

我正在寻找一个类似的解决方案（在一个大的 xml 文件中索引节点以便快速查找）。

  • AFAIK，lxml只提供源代码，这是不够的。参照API：Original line number as found by the parser or None if unknown.
  • 但expat提供文件中的确切偏移量：CurrentByteIndex。
    • 从start_element处理程序中获取，它返回标签的开始（即'<'）偏移量。
    • 从char_data处理程序中获取，它返回数据的开始（即'B'在您的示例中）偏移量。

例子 ：

import xml.parsers.expat

# handler functions for parser events, and housekeeping.
class handler :
   def __init__(self, current_parser) :
      #tag of interest
      self.TARGET_TAG = "w:t"

      #set up parser
      self.parser = current_parser
      self.parser.StartElementHandler  = self.start_element
      self.parser.EndElementHandler    = self.end_element
      self.parser.CharacterDataHandler = self.char_data

      self.target_tag_met = False
      self.index = None

   def start_element(self, name, attrs):
      self.target_tag_met = (name == self.TARGET_TAG)

   def end_element(self, name) :
      self.target_tag_met = False

   def char_data(self, data):
      if self.target_tag_met :
         self.index = self.parser.CurrentByteIndex

#open file in binary mode for robuster byte offsets.
xmlFile = open("so_test.xml", 'rb')

p = xml.parsers.expat.ParserCreate()
h = handler(p)

p.ParseFile(xmlFile)
print (h.index)
于 2012-09-17T16:26:56.680 回答