如何解析 .trs XML 文件以获取自闭合标签之间的文本？答案

【问题标题】：How to parse .trs XML file for text between self-closing tags?如何解析 .trs XML 文件以获取自闭合标签之间的文本？
【发布时间】：2020-05-16 06:51:43
【问题描述】：

我有这样的文件

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE Trans SYSTEM "trans-14.dtd">
<Trans scribe="MSPLAB" audio_filename="Combine001" version="5" version_date="110525">
<Episode>
<Section type="report" startTime="0" endTime="2613.577">
<Turn startTime="0" endTime="308.0620625">
<Sync time="0"/>

<Event desc="music" type="noise" extent="instantaneous"/>

<Sync time="2.746"/>
TARGET_TEXT1
<Sync time="5.982"/>
TARGET_TEXT2

</Turn>
</Section>
</Episode>
</Trans>

这是否被认为是格式良好的 xml 文件？我正在尝试在 Python 中提取 TARGET_TEXT1 和 TARGET_TEXT2，但我不明白这些内容属于自闭标签之间的位置。我看到了另一个帖子here，但它是用 Java 完成的。

【问题讨论】：

标签： python xml parsing

【解决方案1】：

使用来自ElementTree的itertext

import xml.etree.ElementTree as ET

tree = ET.parse('test.xml')
root = tree.getroot()

data = [text.strip() for node in root.findall('.//Turn') for text in node.itertext() if text.strip()]
print(data)

输出：

['TARGET_TEXT1', 'TARGET_TEXT2']

更新： 如果你想要字典作为输出试试这个：

data = {float(x.attrib['time']): x.tail.strip() for node in root.findall('.//Turn') for x in node if x.tail.strip()}
#{2.746: 'TARGET_TEXT1', 5.982: 'TARGET_TEXT2'}

【讨论】：

是否可以将TARGET_TEXT 与Sync 标签中的属性time 的值相关联？例如输出带有{2.746: 'TARGET_TEXT1', 5.982: 'TARGET_TEXT2'} 的字典

【解决方案2】：

另一种选择，通过parsel使用xpath：

从解析导入选择器

#xml is wrapped into a variable called data
selector = Selector(text=data, type="xml")
selector.xpath(".//Turn/text()").re("\w+")
['TARGET_TEXT1', 'TARGET_TEXT2']

【讨论】：