删除 XML 字符串中的空格答案

【问题标题】：Remove whitespaces in XML string删除 XML 字符串中的空格
【发布时间】：2011-03-19 15:28:59
【问题描述】：

如何在 Python 2.6 中删除 XML 字符串中的空格和换行符？我尝试了以下软件包：

etree：这个 sn-p 保留原始空格：

xmlStr = '''<root>
    <head></head>
    <content></content>
</root>'''

xmlElement = xml.etree.ElementTree.XML(xmlStr)
xmlStr = xml.etree.ElementTree.tostring(xmlElement, 'UTF-8')
print xmlStr

我不能使用提供 method 参数的 Python 2.7。

minidom：一样：

xmlDocument = xml.dom.minidom.parseString(xmlStr)
xmlStr = xmlDocument.toprettyxml(indent='', newl='', encoding='UTF-8')

【问题讨论】：

这可能有助于使用 lxml 从文本节点 stackoverflow.com/a/19396130/973699 中删除所有空白行和空格

标签： python xml xml-serialization python-2.6 elementtree

【解决方案1】：

xmlStr = ' '.join(xmlStr.split()))

这会将所有文本放在一行中，用单个空格替换多个空格。

xmlStr = ''.join(xmlStr.split()))

这将完全删除空格，包括文本内的空格，并且不能使用。

对于您提供的输入，第一种形式可能有风险（但您要求）：

xmlStr = '''<root>
    <head></head>
    <content></content>
</root>'''
xmlStr = ' '.join(xmlStr.split())
print xmlStr
""" Output:
<root> <head></head> <content></content> </root>
"""

这将是有效的 xml。虽然可能需要使用某种 xml 检查器进行检查。顺便说一句，您确定要使用 XML 吗？你读过这篇文章吗： Python Is Not Java

【讨论】：

-1 你的建议会破坏像"""<v xml:space="preserve">\t\tfoo</v>"""这样的东西
我不得不同意约翰的观点。这根本不保留 XML 语法。

【解决方案2】：

空白在 XML 文档中很重要。使用空格进行缩进是对 XML 的不良使用，因为它在实际上没有空格的地方引入了重要的数据——遗憾的是，这是常态。您为去除空白而采取的任何编程方法充其量只是一种猜测——您需要更好地了解 XML 所传达的内容才能正确去除空白，而无需踩到某些数据的脚趾。

【讨论】：

有时是，有时不是。具体来说，如果有 DTD 或 Schema，它可能并不重要。请参阅oracle.com/technetwork/articles/wang-whitespace-092897.html 的讨论

【解决方案3】：

最简单的解决方案可能是使用lxml，您可以在其中设置解析器选项以忽略元素之间的空白：

>>> from lxml import etree
>>> parser = etree.XMLParser(remove_blank_text=True)
>>> xml_str = '''<root>
>>>     <head></head>
>>>     <content></content>
>>> </root>'''
>>> elem = etree.XML(xml_str, parser=parser)
>>> print etree.tostring(elem)
<root><head/><content/></root>

这可能足以满足您的需求，但为了安全起见，请注意一些警告：

这只会删除元素之间的空白节点，并尽量不要删除具有混合内容的元素内部的空白节点：

>>> elem = etree.XML('<p> spam <a>ham</a> <a>eggs</a></p>', parser=parser)
>>> print etree.tostring(elem)
<p> spam <a>ham</a> <a>eggs</a></p>

文本节点的前导或尾随空格不会被删除。然而，在某些情况下，它仍会从混合内容中删除空白节点：如果解析器尚未遇到该级别的非空白节点。

>>> elem = etree.XML('<p><a> ham</a> <a>eggs</a></p>', parser=parser)
>>> print etree.tostring(elem)
<p><a> ham</a><a>eggs</a></p>

如果你不想这样，你可以使用xml:space="preserve"，这将受到尊重。另一种选择是使用 dtd 并使用 etree.XMLParser(load_dtd=True)，其中解析器将使用 dtd 来确定哪些空白节点是重要的。

除此之外，您必须编写自己的代码来删除您不想要的空格（迭代后代，并在适当的情况下，将仅包含空格的 .text 和 .tail 属性设置为 None 或空字符串）

【讨论】：

我发现，正如@Steven 所指出的，一些只包含空格的元素没有被清除。在调用etree.tostring:re.sub(r'>\s+<', '><', xml_str) 之后，我使用了正则表达式来执行此操作
请在第一个 sn-p 中将 etree.XML(xml_str, parser=p) 替换为 etree.XML(xml_str, parser=parser)。
如果你可以使用 Python 3.9，有一个新函数 xml.etree.ElementTree.indent 也可以帮助解决这个问题，而无需任何 lxml 依赖项。

【解决方案4】：

一个有点笨拙的解决方案没有 lxml :-)

data = """<root>

    <head></head>    <content></content>

</root>"""

data3 = []
data2 = data.split('\n')
for x in data2:
    y = x.strip()
    if y: data3.append(y)
data4 = ''.join(data3)
data5 = data4.replace("  ","").replace("> <","><")

print data5

Output: <root><head></head><content></content></root>

【讨论】：

【解决方案5】：

如果“非叶子”节点中的空白是我们试图删除的，那么下面的函数将会执行它（如果指定则递归）：

from xml.dom import Node

def stripNode(node, recurse=False):
    nodesToRemove = []
    nodeToBeStripped = False

    for childNode in node.childNodes:
        # list empty text nodes (to remove if any should be)
        if (childNode.nodeType == Node.TEXT_NODE and childNode.nodeValue.strip() == ""):
            nodesToRemove.append(childNode)

        # only remove empty text nodes if not a leaf node (i.e. a child element exists)
        if childNode.nodeType == Node.ELEMENT_NODE:
            nodeToBeStripped = True

    # remove flagged text nodes
    if nodeToBeStripped:
        for childNode in nodesToRemove:
            node.removeChild(childNode)

    # recurse if specified
    if recurse:
        for childNode in node.childNodes:
            stripNode(childNode, True)

但是，Thanatos 是正确的。空格可以表示 XML 中的数据，因此请谨慎使用。

【讨论】：

【解决方案6】：

这是我很快想到的，因为我不想使用 lxml：

from xml.dom import minidom
from xml.dom.minidom import Node

def remove_blanks(node):
    for x in node.childNodes:
        if x.nodeType == Node.TEXT_NODE:
            if x.nodeValue:
                x.nodeValue = x.nodeValue.strip()
        elif x.nodeType == Node.ELEMENT_NODE:
            remove_blanks(x)

xml = minidom.parse('file.xml')
remove_blanks(xml)
xml.normalize()
with file('file.xml', 'w') as result:
    result.write(xml.toprettyxml(indent = '  '))

我真的只需要重新缩进 XML 文件，否则缩进会损坏。它不尊重preserve 指令，但是，老实说，许多其他处理 XML 的软件也是如此，这是一个相当有趣的要求 :) 此外，您可以轻松地将这种功能添加到代码中上面（只检查space 属性，如果它的值为'preserve'，则不要recur。）

【讨论】：

谢谢 - 我不想将 lxml 添加到我的项目中，这非常适合我的需求。
太棒了。谢谢老兄。
太棒了！这真的很有帮助

【解决方案7】：

xmlStr = xmlDocument.toprettyxml(indent='\t', newl='\n', encoding='UTF-8')
fix = re.compile(r'((?<=>)(\n[\t]*)(?=[^<\t]))|(?<=[^>\t])(\n[\t]*)(?=<)')
newXmlStr = re.sub(fix, '', xmlStr )

来自this source

【讨论】：

什么是re？对我来说没有定义

【解决方案8】：

xml.dom.minidom 的 toprettyxml() 唯一困扰我的是它添加了空行。我似乎没有得到拆分组件，所以我只是写了一个简单的函数来删除空行：

#!/usr/bin/env python

import xml.dom.minidom

# toprettyxml() without the blank lines
def prettyPrint(x):
    for line in x.toprettyxml().split('\n'):
        if not line.strip() == '':
            print line

xml_string = "<monty>\n<example>something</example>\n<python>parrot</python>\n</monty>"

# parse XML
x = xml.dom.minidom.parseString(xml_string)

# clean
prettyPrint(x)

这就是代码输出的内容：

<?xml version="1.0" ?>
<monty>
        <example>something</example>
        <python>parrot</python>
</monty>

如果我单独使用 toprettyxml()，即 print(toprettyxml(x))，它会添加不必要的空行：

<?xml version="1.0" ?>
<monty>


        <example>something</example>


        <python>parrot</python>


</monty>

【讨论】：