使用 Python 解析 XML 并打印整个元素答案

【问题标题】：Parse XML using Python and printing the whole element使用 Python 解析 XML 并打印整个元素
【发布时间】：2018-08-20 13:45:06
【问题描述】：

这是我在这里的第一个问题。通常我可以找到我需要的东西，但经过一周的搜索和尝试，我还是在同一个地方，所以我需要你的帮助。

我有一本书是一个超过 6000 行的大型 XML 文件。我需要做的是获取一个元素<sec> 并将其内容放在一个字符串中。有时该元素只有一个段落，有时它有更多，有时段落有列表和其他内容，我需要将所有内容捕获在一个字符串中。

这是一个如何格式化书籍的示例。

<book>
    <book-body>
        <book-part id="ch01" book-part-type="chapter">
            <book-part-meta>
                <title-group>
                    <label><target target-type="page" id="pg1"/>Chapter 1</label>
                    <title>Some Title</title>
                </title-group>
            </book-part-meta>
            <body>
                <sec id="ch01lev1sec1" disp-level="level1">
                    <title>Introduction</title>
                    <p>This is a <em>paragraph</em></p>
                    <p>This is second paragraph
                        <list list-type="bullet">
                        <list-item><p>List Item 1</p></list-item>
                        <list-item><p>List Item 2</p></list-item>
                        <list-item><p>List Item 3</p></list-item>
                        </list>
                    </p>
                </sec>
            </body>
        </book-part>
    </book-body>
</book>

从这个例子中，我需要标签内的所有东西（最好没有标题，但我稍后会弄清楚）。我曾尝试使用“xml.etree.ElementTree”，并使用“minidom”但未成功。

这是我使用 minidom 的代码示例

from xml.dom import minidom

xmldoc = minidom.parse("xCHES.xml")

book = xmldoc.getElementsByTagName("book")[0]

sec = book.getElementsByTagName("sec")

当我列出一些元素时，我得到的数字与我在 xml 文件中搜索“<sec”时的数字相同，所以我想我得到了所有元素。在这一点之后，我被卡住了，我找不到如何将所有内容提取为文本的方法。

“ElementTree”也是如此，我可以找到所有 <sec> 元素，但无法提取文本，或者仅提取其中的一小部分。

所以如果有人能帮我解决这个问题，那就太好了。什么方法都无所谓，只要能完成就行。

编辑：期望的输出是

<title>Introduction</title>
<p>This is a <em>paragraph</em></p>
<p>This is second paragraph
    <list list-type="bullet">
    <list-item><p>List Item 1</p></list-item>
    <list-item><p>List Item 2</p></list-item>
    <list-item><p>List Item 3</p></list-item>
    </list>
</p>

但作为一个刺痛。这可以在一行中，格式无关紧要。

谢谢你:)

【问题讨论】：

使用这个例子，期望的输出是什么样的？
如果您没有指定预期的输出，没有人可以回答您的问题。注意：“将所有内容提取为文本”不是一个有用的规范（xml 已经是文本）。
感谢您指出我的错误问题格式。我已经添加了有问题的预期结果。

标签： python xml parsing

【解决方案1】：

按照@stovfl 在How to get inner content as string using minidom from xml.dom? 上的回答

也许这对你有用？

def getText(nodelist):
    # Iterate all Nodes aggregate TEXT_NODE
    rc = []
    for node in nodelist:
        if node.nodeType == node.TEXT_NODE:
            rc.append(node.data)
        else:
            # Recursive
            rc.append(getText(node.childNodes))
    return ''.join(rc)


# Iterate <sec..>...</sec> Node List
for node in nodelist:
    print(getText(node.childNodes))

输出：

                Introduction
                This is a paragraph
                This is second paragraph

                    List Item 1
                    List Item 2
                    List Item 3

【讨论】：

这是最接近我需要的，但有没有办法用 xml.etree.ElementTree 做到这一点？我意识到它有更多我以后需要的选项。

【解决方案2】：

我认为 BeautifulSoup 可以让你的工作更轻松..

试试这个..

新的.xml

<book>
    <book-body>
        <book-part id="ch01" book-part-type="chapter">
            <book-part-meta>
                <title-group>
                    <label><target target-type="page" id="pg1"/>Chapter 1</label>
                    <title>Some Title</title>
                </title-group>
            </book-part-meta>
            <body>
                <sec id="ch01lev1sec1" disp-level="level1">
                    <title>Introduction</title>
                    <p>This is a paragraph</p>
                    <p>This is second paragraph
                        <list list-type="bullet">
                        <list-item><p>List Item 1</p></list-item>
                        <list-item><p>List Item 2</p></list-item>
                        <list-item><p>List Item 3</p></list-item>
                        </list>
                    </p>
                </sec>
            </body>
        </book-part>
    </book-body>
</book>

代码

data = BeautifulSoup(open('new.xml', 'r')) #new.xml file contains the xml data
data.find_all('sec')

输出看起来像

[<sec disp-level="level1" id="ch01lev1sec1">
 <title>Introduction</title>
 <p>This is a paragraph</p>
 <p>This is second paragraph
                         <list list-type="bullet">
 <list-item><p>List Item 1</p></list-item>
 <list-item><p>List Item 2</p></list-item>
 <list-item><p>List Item 3</p></list-item>
 </list>
 </p>
 </sec>]

我认为您可以在此之后轻松解析。如果您需要解析方面的帮助，请 Ping

【讨论】：

这将帮助我创建一个更短且更易于使用的 XML 文件。我肯定会在将来使用它。谢谢