在 Python 中使用 SAX 解析器的标签之间的文本答案

【问题标题】：Text between tag using SAX parser in Python在 Python 中使用 SAX 解析器的标签之间的文本
【发布时间】：2021-12-14 17:24:34
【问题描述】：

我想使用 SAX 打印 XML 文件中特定标记之间的文本。

但是，某些文本输出包含空格或换行符。

有没有办法只挑出实际的字符串？我做错了什么？

请参阅下面的代码提取和 XML 文档。

（我在 Python 2 和 Python 3 中都获得了相同的效果。）

#!/usr/bin/env python3

import xml.sax

class MyHandler(xml.sax.ContentHandler):

        def startElement(self, name, attrs):
                self.tag = name

        def characters(self, content):
                if self.tag == "artist":
                        print('[%s]' % content)

if __name__=='__main__':
        parser=xml.sax.make_parser()
        Handler=MyHandler()
        parser.setContentHandler(Handler) #overriding default ContextHandler
        parser.parse("songs.xml")

<?xml version="1.0"?>
<genre catalogue="Pop">
  <song title="No Tears Left to Cry">
    <artist>Ariana Grande</artist>
    <year>2018</year>
    <album>Sweetener</album>
  </song>
  <song title="Delicate">
    <artist>Taylor Swift</artist>
    <year>2018</year>
    <album>Reputation</album>
  </song>
  <song title="Mrs. Potato Head">
    <artist>Melanie Martinez</artist>
    <year>2015</year>
    <album>Cry Baby</album>
  </song>
</genre>

【问题讨论】：

ok 澄清了措辞，进行了编辑以包含完整的最小示例代码并添加了 XML 文档。
另一个问题是 pylint 抱怨标签是在 init 之外定义的（代码 W0201），但是，如果我在类中添加一个 init 方法， pylint 抱怨这个方法不是从基类调用的（代码 W0231），

标签： python python-3.x xml python-2.x sax

【解决方案1】：

self.tag 的值在遇到 <artist> 开始标记时设置为“艺术家”，并且在为 <year> 开始标记调用 startElement() 之前不会更改。在这些元素之间是一些无趣的空白，解析器也会报告 SAX 事件。

解决此问题的一种方法是将endElement() 方法添加到MyHandler，将self.tag 设置为其他值。

def endElement(self, name):
    self.tag = "whatever"

【讨论】：

【解决方案2】：

如果您想使用 SAX，那么您需要对 XML 规范有深入的了解。空白的技术名称是“混合内容”。它出现在第一个子标签之前、子标签之间和最后一个子标签之后。大多数 XML 处理器将报告混合内容的 SAX 事件。有些有一个禁止它的标志（因为许多应用程序只对纯文本内容或纯元素内容感兴趣）。

解决方案包括：

a) 停止使用 SAX。 DOM 会更直接

b) 添加代码以检测您感兴趣的标签的 startElement 和 endElement 事件。忽略事件，除非您位于“有趣”标签之一内。

c) 使用 XSLT 将您的 XML 文档转换为您需要的任何形式（请参阅How to transform an XML file using XSLT in Python?）

我的选择永远是 c)，因为 XSLT 是一个超级大国，它让这类任务变得非常简单。

【讨论】：

嗨@kimbert，感谢您的回答。假设使用 SAX，除了将代码修改为 if self.tag == "parameterName" and content[0] != '\n' and content[0] != ' ': names.append(content) 之外，是否有针对此问题的特定修复？
总是有不止一种方法可以做到这一点:-)。如果您只关心一个标签名称，您的解决方案将有效。但我认为你不需要测试 '\n' 和 ' '，除非你想在 'parameterName' 标记的第一个字符中抑制前导空格。