带有 BeautifulSoup 的 xml

Question

from bs4 import BeautifulSoup

list = (glob.glob("/home/anastasiya/PycharmProjects/bachelor/rutexts/*.xhtml"))
for text in list:
print(text)
with open(text, "r", encoding="windows-1251") as file:
    with open("ruscorpus.txt", "a") as file2: 
        for line in file:
            soup = BeautifulSoup(line, "lxml")
            if soup.w is not None:
                        file2.write("{wort}\t{gr}\t{lex}\n".format(
                        lex=soup.w.ana.get('lex'),
                        gr=test(soup.w.ana.get('gr')),
                        wort=soup.w.contents[-1]))

我尝试从 xml 中获取一些信息。格式是这样的。 该程序运行，但如果我们在一个 w 标签中有 2 个单词，它将第一个作为带有整个标签的输出：

Answer 1

Check online demo

使用soup.find_all('w')会给出所有w的列表

soup.w 只给出w 的第一次出现

Answer 2

1，您的代码正在尝试逐行读取文件text，然后将其传递给bs4进行解析。我建议你可以直接将打开的文件引用传递给bs4。

2、在bs4中，你可以通过find_all找到w等所有特定标签的内容。

像这样更改您的代码：

with open(text, "r", encoding="windows-1251") as file1, open("ruscorpus.txt", "a") as file2: 
    xml_soup = BeautifulSoup(file1,'lxml')
    for w in xml_soup.find_all('w'): # get all w tag and parse them
        file2.write("{wort}\t{gr}\t{lex}\n".format(lex=w.ana.get('lex'),gr=w.ana.get('gr'),wort=w.contents[-1]))