python - 从 XML 文档中获取所有文本？

Question

如何将 XML 文档的所有文本内容作为单个字符串获取 -就像这个 Ruby/hpricot 示例，但使用 Python。

我想用一个空格替换 XML 标记。

Answer 1

使用标准库xml.etree

import xml.etree.ElementTree as ET

tree = ET.parse('sample.xml') 
print(ET.tostring(tree.getroot(), encoding='utf-8', method='text'))

Answer 2

我真的很喜欢 BeautifulSoup，如果可以避免的话，我宁愿不在 HTML 上使用正则表达式。

改编自：[this StackOverflow Answer]，[BeautifulSoup 文档]

from bs4 import BeautifulSoup
soup = BeautifulSoup(txt)    # txt is simply the a string with your XML file
pageText = soup.findAll(text=True)
print ' '.join(pageText)

当然，您可以（并且应该）使用 BeautifulSoup 来导航页面以找到您要查找的内容。

Answer 3

一个不需要像 BeautifulSoup 这样的外部库的解决方案，使用内置的 sax 解析框架：

from xml import sax

class MyHandler(sax.handler.ContentHandler):
    def parse(self, filename):
        self.text = []
        sax.parse(filename, self)
        return ''.join(self.text)

    def characters(self, data):
        self.text.append(data)

result = MyHandler().parse("yourfile.xml")

如果您需要文本中的所有空格完整无缺，也可以ignorableWhitespace在处理程序类中以相同的方式characters定义方法。

Answer 4

这个问题实际上是 lxml 教程中的一个示例，它建议使用以下 XPath 表达式之一从文档中获取所有文本内容位作为字符串列表：

• root.xpath("string()")
• root.xpath("//text()")

然后，您将希望将这些文本位连接到一个大字符串中，str.join可能str.strip用于消除每个位上的前导和尾随空格并忽略完全由空格组成的位：

>>> from lxml import etree
>>> root = etree.fromstring("""
... <node>
...   some text
...   <inner_node someattr="someval">   </inner_node>
...   <inner_node>
...     foo bar
...   </inner_node>
...   yet more text
...   <inner_node />
...   even more text
... </node>
... """)
>>> bits_of_text = root.xpath('//text()')
>>> print(bits_of_text)  # Note that some bits are whitespace-only
['\n  some text\n  ', '   ', '\n  ', '\n    foo bar\n  ', '\n  yet more text\n  ', '\n  even more text\n']
>>> joined_text = ' '.join(
...     bit.strip() for bit in bits_of_text
...     if bit.strip() != ''
... )
>>> print(joined_text)
some text foo bar yet more text even more text

请注意，顺便说一下，如果您不想在文本位之间插入空格，您可以这样做

etree.tostring(root, method='text', encoding='unicode')

如果您正在处理HTML而不是XML，并且正在使用lxml.html解析您的 HTML，您可以调用.text_content()根节点的方法来获取它包含的所有文本（尽管同样不会插入空格）：

>>> import lxml.html
>>> root = lxml.html.document_fromstring('<p>stuff<p>more <br><b>stuff</b>bla')
>>> root.text_content()
'stuffmore stuffbla'

Answer 5

编辑：这是当我认为一个空格缩进是正常的时发布的答案，正如评论中提到的那样，这不是一个好的答案。查看其他一些更好的解决方案。这仅出于存档原因留在这里，请勿遵循！

你要求 lxml：

reslist = list(root.iter())
result = ' '.join([element.text for element in reslist]) 

或者：

result = ''
for element in root.iter():
    result += element.text + ' '
result = result[:-1] # Remove trailing space