1

我是 Python 2.7 的新手，我正在尝试解析一个包含 HTML 的 XML 文件。我想解析自定义 XML 标记而不解析任何 HTML 内容。最好的方法是什么？（如果有帮助，我的自定义 XML 标记列表很小，所以如果有一个 XML 解析器可以选择只解析指定的标记，这可能会正常工作。）

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，尤其是将 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。我以前尝试过使用 ElementTree。这就是发生的事情：

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.'

但我真的很想能够做这样的事情......

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

解决方案：

har07 的回答效果很好。我稍微修改了该代码以解决极端情况。这是我正在实施的：

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>')

原始代码将仅返回以第一个 XML 格式标记开头的文本，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'
4

2 回答 2

2

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签。一种更简单的方法是让解析器正常解析 XML，然后您可以为此创建一个返回元素未解析内容的函数，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>
于 2015-07-19T06:28:03.227 回答
1

您应该能够通过内置的minidomxml 解析器来实现这一点。

from xml.dom import minidom

xmldoc = minidom.parse("document.xml")
rootNode = xmldoc.firstChild
firstNode = rootNode.childNodes[0]

在您的示例情况下， firstNode 将最终为：

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

请注意，minidom（以及您可能使用的任何其他 xml 解析库）默认情况下不会识别 HTML。这是设计使然，因为 XML 文档没有预定义的标签。

然后，您可以使用一系列ifortry语句来确定您在提取数据时是否到达了 HTML 格式的节点：

for i in range (0, len(rootNode))
    rowNode = rootNode.childNodes[i]
    if "<p>" in rowNode:
         #this is an html-formatted node: extract the value and continue
于 2015-07-19T04:35:22.480 回答