XML 解析忽略文本

Question

我有以下问题，试图从 python 中的一堆 xml 文件中获取信息。我没有做任何特别的事情，例如：

import xml.etree.ElementTree as ET

root = ET.parse(r'C:\Documents\XMLfolder\file.xml').getroot()
info = root.find('foo').find('bar').find('info').text

这适用于我拥有的大部分信息 - 但 xml 的一部分采用以下格式：

<bar>
<info id="1"><label>1</label>SampleTextHere</info>
</bar>

上面的代码给出了None——不过，我可以找到info元素和label元素。我只是找不到文字。如果我编辑文件以删除<label> 1 </label>，那么上面的代码将返回我需要的文本。

是否有一些我不知道的非常基本的东西可以让我在不修改所有 xml 文件以删除标签的情况下访问文本？ （这是相关的）。

谢谢！

Answer 1

来自[Python 3]: xml.etree.ElementTree.Element.text（强调是我的）：

这些属性可用于保存与元素关联的附加数据。 它们的值通常是字符串，但也可以是任何特定于应用程序的对象。如果元素是从 XML 文件创建的，则 text 属性保存元素的开始标记与其第一个子标记或结束标记之间的文本，或 None 和 tail em> 属性保存元素的结束标记和下一个标记之间的文本，或 None。

...

要收集元素的内部文本，请参阅itertext()，例如"".join(element.itertext())。

我根据您的规范创建了 3 个文件：

• file0.xml：

  <?xml version="1.0" encoding="UTF-8"?>
  <root>
    <foo>
      <bar>
        <info id="1">SampleTextHere 0</info>
      </bar>
    </foo>
  </root>
  

• file1.xml：

  <?xml version="1.0" encoding="UTF-8"?>
  <root>
    <foo>
      <bar>
        <info id="1"><label>LabelText</label>SampleTextHere 1</info>
      </bar>
    </foo>
  </root>
  

• file2.xml：

  <?xml version="1.0" encoding="UTF-8"?>
  <root>
    <foo>
      <bar>
        <info id="1"></info>
      </bar>
    </foo>
  </root>
  

还有一些示例代码。

code.py：

#!/usr/bin/env python3

import sys
import xml.etree.ElementTree as ET


def main():
    file_names = [
        "file0.xml",
        "file1.xml",
        "file2.xml",
    ]

    for file_name in file_names:
        root = ET.parse(file_name).getroot()
        info_node = root.find("foo").find("bar").find("info")
        text = info_node.text
        tail = info_node.tail
        iter_text = "".join(info_node.itertext())
        info_node_text = text or ""
        if not info_node_text:
            for info_node_text in info_node.itertext():
                pass
        print("\n{:s}\n      Text (for debugging purposes): [{:}]\n      Tail (for debugging purposes): [{:}]\n      Iter text (for debugging purposes): [{:s}]\n  Value: [{:s}]".format(
            file_name, text, tail, iter_text, info_node_text))


if __name__ == "__main__":
    print("Python {:s} on {:s}\n".format(sys.version, sys.platform))
    main() 

算法很简单：如果节点没有设置 text 属性，则遍历其 itertext() 并选择最后一个值，作为 label (或任何其他）子节点位于文本之前。

输出：

(py_064_03.06.08_test0) e:\Work\Dev\StackOverflow\q054197111>"e:\Work\Dev\VEnvs\py_064_03.06.08_test0\Scripts\python.exe" code.py
Python 3.6.8 (tags/v3.6.8:3c6b436a57, Dec 24 2018, 00:16:47) [MSC v.1916 64 bit (AMD64)] on win32


file0.xml
      Text (for debugging purposes): [SampleTextHere 0]
      Tail (for debugging purposes): [
    ]
      Iter text (for debugging purposes): [SampleTextHere 0]
  Value: [SampleTextHere 0]

file1.xml
      Text (for debugging purposes): [None]
      Tail (for debugging purposes): [
    ]
      Iter text (for debugging purposes): [LabelTextSampleTextHere 1]
  Value: [SampleTextHere 1]

file2.xml
      Text (for debugging purposes): [None]
      Tail (for debugging purposes): [
    ]
      Iter text (for debugging purposes): []
  Value: []