【问题标题】：Iterate over both text and elements in lxml etree遍历 lxml etree 中的文本和元素
【发布时间】：2014-07-27 02:07:55
【问题描述】：

假设我有以下 XML 文档：

<species>
    Mammals: <dog/> <cat/>
    Reptiles: <snake/> <turtle/>
    Birds: <seagull/> <owl/>
</species>

然后我得到这样的species 元素：

import lxml.etree
doc = lxml.etree.fromstring(xml)
species = doc.xpath('/species')[0]

现在我想打印一份按物种分组的动物列表。我如何使用 ElementTree API 来做到这一点？

【问题讨论】：

如果您向右看...看起来相关的第 4 个下方应该指向正确的方向...
你能控制xml格式吗？通常，哺乳动物等分类器表示为 xml 元素名称或属性（例如，），以便轻松编写 xpath 选择器。
不，我无法更改 XML。

标签： python lxml elementtree

【解决方案1】：

如果您枚举所有节点，您将看到一个带有类的文本节点，然后是带有物种的元素节点：

>>> for node in species.xpath("child::node()"):
...     print type(node), node
... 
<class 'lxml.etree._ElementStringResult'> 
    Mammals: 
<type 'lxml.etree._Element'> <Element dog at 0xe0b3c0>
<class 'lxml.etree._ElementStringResult'>  
<type 'lxml.etree._Element'> <Element cat at 0xe0b410>
<class 'lxml.etree._ElementStringResult'> 
    Reptiles: 
<type 'lxml.etree._Element'> <Element snake at 0xe0b460>
<class 'lxml.etree._ElementStringResult'>  
<type 'lxml.etree._Element'> <Element turtle at 0xe0b4b0>
<class 'lxml.etree._ElementStringResult'> 
    Birds: 
<type 'lxml.etree._Element'> <Element seagull at 0xe0b500>
<class 'lxml.etree._ElementStringResult'>  
<type 'lxml.etree._Element'> <Element owl at 0xe0b550>
<class 'lxml.etree._ElementStringResult'>

所以你可以从那里构建它：

my_species = {}
current_class = None
for node in species.xpath("child::node()"):
    if isinstance(node, lxml.etree._ElementStringResult):
        text = node.strip(' \n\t:')
        if text:
            current_class = my_species.setdefault(text, [])
    elif isinstance(node, lxml.etree._Element):
        if current_class is not None:
            current_class.append(node.tag)
print my_species

结果

{'Mammals': ['dog', 'cat'], 'Reptiles': ['snake', 'turtle'], 'Birds': ['seagull', 'owl']}

这都是脆弱的......文本节点排列方式的微小变化可能会弄乱解析。

【讨论】：

我喜欢这个，简单的 XPath :)
@alecxe - 您处理越来越多的先前文本节点，并且每次都丢弃除最后一个以外的所有节点......我认为我的解决方案更简单。
在 Python 3 中，文本节点的类型是 lxml.etree._ElementUnicodeResult。
你也可以使用hasattr(node, 'text')
谢谢，正是我需要的！顺便说一句，如果您在 @Alicia 的示例上进行构建，您可以/应该实际使用 docs 变量而不是 species，因为您正在做的事情不需要它。

【解决方案2】：

设计说明

@tdelaney 的回答基本上是正确的，但我想指出 Python 元素树 API 的一个细微差别。这是the lxml tutorial的引述：

元素可以包含文本：
<root>TEXT</root>
在许多 XML 文档（以数据为中心的文档）中，这是唯一可以找到文本的地方。它由树层次结构最底部的叶子标签封装。

但是，如果 XML 用于标记文本文档，例如 (X)HTML，则文本也可以出现在不同元素之间，就在树的中间：
<html><body>Hello<br/>World</body></html>
这里，<br/> 标签被文本包围。这通常称为文档样式或混合内容 XML。元素通过其tail 属性支持这一点。它包含直接跟随元素的文本，直到 XML 树中的下一个元素。

text 和tail 这两个属性足以表示 XML 文档中的任何文本内容。这样一来，ElementTree API不需要除 Element 类之外的任何特殊文本节点，这往往会妨碍您（正如您可能从经典 DOM API 中知道的那样）。

实施

考虑到这些属性，可以在不强制树输出文本节点的情况下检索文档文本。

#!/usr/bin/env python3.3


import itertools
from pprint import pprint

try:
  from lxml import etree
except ImportError:
  from xml.etree import cElementTree as etree
  
  
def textAndElement(node):
  '''In py33+ recursive generators are easy'''

  yield node

  text = node.text.strip() if node.text else None
  if text:
    yield text

  for child in node:
    yield from textAndElement(child)

  tail = node.tail.strip() if node.tail else None
  if tail:
    yield tail
    

if __name__ == '__main__':
  xml = '''
    <species>
      Mammals: <dog/> <cat/>
      Reptiles: <snake/> <turtle/>
      Birds: <seagull/> <owl/>
    </species>
  '''
  doc = etree.fromstring(xml)
  
  pprint(list(textAndElement(doc)))
  #[<Element species at 0x7f2c538727d0>,
  #'Mammals:',
  #<Element dog at 0x7f2c538728c0>,
  #<Element cat at 0x7f2c53872910>,
  #'Reptiles:',
  #<Element snake at 0x7f2c53872960>,
  #<Element turtle at 0x7f2c538729b0>,
  #'Birds:',
  #<Element seagull at 0x7f2c53872a00>,
  #<Element owl at 0x7f2c53872a50>]
  
  gen = textAndElement(doc)
  next(gen) # skip root
  groups = []
  for _, g in itertools.groupby(gen, type):
    groups.append(tuple(g))
  
  pprint(dict(zip(*[iter(groups)] * 2)) )
  #{('Birds:',): (<Element seagull at 0x7fc37f38aaa0>,
  #               <Element owl at 0x7fc37f38a820>),
  #('Mammals:',): (<Element dog at 0x7fc37f38a960>,
  #                <Element cat at 0x7fc37f38a9b0>),
  #('Reptiles:',): (<Element snake at 0x7fc37f38aa00>,
  #                <Element turtle at 0x7fc37f38aa50>)}

【讨论】：