使用 BeautifulSoup 进行 XML 解析：在同一文档中检索具有相同 id 的多个文本内容

Question

我正在尝试在单个文档（标签）中检索具有相同文档编号的多个文本内容

我的 XML 文件如下所示：

<doc>
<docnum>1234</docnum>
<p>text1</p>
<p>text2</p>
<p>text3</p>
<p>text4</p>
<p>text5</p>
<docdesc>only text</docdesc>
</doc>

<doc>
<docnum>789</docnum>
<p>text1</p>
<p>text2</p>
<p>text3</p>
<p>text4</p>
<p>text5</p>
<docdesc>only and only texts</docdesc>
</doc>

但是 BeautifulSoup 的 find_all() 和 find() 方法不能单独提取它们。 我的代码 sn-p 如下：

from bs4 import BeautifulSoup
with open('file.xml', 'r') as openfile:
    content = "".join(openfile.readlines())
    soupcontent = BeautifulSoup(content, "lxml")
    docnums = [str(t.text) for t in (soupcontent.findAll('docnum'))]
    doctexts = [str(t.text) for t in (soupcontent.find_all('p'))]
    for a, b in zip(docnums, doctexts):
        print(a + '\n' + b)

但不是将 doc1 的 docnum 与 doc1 的所有 p 匹配，而是匹配所有内容。 每个 find_all() 中的嵌套 for 循环也无济于事。到达doc标签末尾时无法停止

Answer 1

此脚本将为每个 <doc> 打印所有 <docnum>、<p> 和 <docdesc>：

from bs4 import BeautifulSoup

txt = '''<doc>
<docnum>1234</docnum>
<p>text1</p>
<p>text2</p>
<p>text3</p>
<p>text4</p>
<p>text5</p>
<docdesc>only text</docdesc>
</doc>

<doc>
<docnum>789</docnum>
<p>text1</p>
<p>text2</p>
<p>text3</p>
<p>text4</p>
<p>text5</p>
<docdesc>only and only texts</docdesc>
</doc>'''

soup = BeautifulSoup(txt, 'html.parser')

for doc in soup.select('doc'):
    print('docnum :', doc.docnum.text)
    print('text   :', [p.text for p in doc.select('p')])
    print('docdesc:', doc.docdesc.text)
    print('-' * 80)

打印：

docnum : 1234
text   : ['text1', 'text2', 'text3', 'text4', 'text5']
docdesc: only text
--------------------------------------------------------------------------------
docnum : 789
text   : ['text1', 'text2', 'text3', 'text4', 'text5']
docdesc: only and only texts
--------------------------------------------------------------------------------

---

编辑：要将数据存储在列表中，您可以：

docnums   = []
doctexts  = []

for doc in soup.select('doc'):
    docnums.append(doc.docnum.text)
    doctexts.append([p.text for p in doc.select('p')])

for n, t in zip(docnums, doctexts):
    print(n)
    print(' '.join(t))