Python：从 XML 文件中提取 HTML答案

【问题标题】：Python: Extract HTML from an XML filePython：从 XML 文件中提取 HTML
【发布时间】：2009-11-30 02:28:44
【问题描述】：

我的 XML 文件如下所示：

 <strings>
      <string>Bla <b>One &amp; Two</b> Foo</string>
 </strings>

我想在保留内部标签的同时提取每个的内容。也就是说，我希望看到以下 Python 字符串：u"Bla One & Two Foo"。或者，我想我可以选择 u"Bla One & Two Foo"，然后尝试自己替换实体。

我目前正在使用 lxml，它允许我遍历嵌套标签，错过不在标签内的文本，或者遍历所有文本内容 (itertext)，从而丢失标签信息。我可能错过了什么。

如果可能的话，我更愿意保留 lxml，但如果需要我可以切换到另一个库。

【问题讨论】：

标签： python html xml lxml

【解决方案1】：

可能有更好的方法来有条件地处理 xpath() 函数返回的对象，但我对 lxml 的了解不够，无法知道它是什么，所以我不得不编写一个函数来返回文本值的一个节点。但话虽如此，这显示了解决问题的一般方法：

>>> from lxml import etree
>>> from StringIO import StringIO
>>> def node_text(n):
        try:
            return etree.tostring(n, method='html', with_tail=False)
        except TypeError:
            return str(n)

>>> f = StringIO('<strings><string>This is <b>not</b> how I plan to escape.</string></strings>')
>>> x = etree.parse(f)
>>> ''.join(node_text(n) for n in x.xpath('/strings/string/node()'))
'This is <b>not</b> how I plan to escape.'

【讨论】：

事实证明，除了使用 node()，还可以使用 child.iterdescendants()，但感谢您为我指明了正确的方向。

【解决方案2】：

试试etree.tostring

outer = etree.tostring(string_elem, method='html')
inner = re.match("^[^>]+>(.*)<[^<]+$", outer).groups(1)[0]

【讨论】：

我实际上知道tostring，但这包括字符串标签本身。
手动修剪并不难，一个简单的正则表达式就可以了
+1 用于发现使用正则表达式处理 XML 并不是一个糟糕的想法的罕见情况之一。
谢谢大家。我想去掉周围的标签也可以很好地工作。

【解决方案3】：

不管是什么语言，相对简单的 XSLT 模板都可以解决问题。

例如为您想要保留的标签定义模式，转换为其他文本。

您当然可以使用具有兼容 DOM 实现的递归函数（也许是 minidom？）并手动处理标签。

（伪代码）

def Function(tag):
   if tag.NodeType = "#text": return tag.innerText
   text=""
   if tag.ElementName in allowedTags:
       text="<%s>"%tag.ElementName
   text += [Function(subtag) for subtag in tag.childs]
   if tag.ElementName in allowedTags:
       text+="</%s>"%tag.ElementName
   return text

【讨论】：

【解决方案4】：

不使用解析器，而只是纯粹的字符串操作

mystring="""
 <strings>
      <string>Bla <b>One &amp; Two</b> Foo</string>
 </strings>
"""
for s in mystring.split("</string>"):
    if "<string>" in s:
        i = s.index("<string>")
        print s[i+len("<string>"):].replace("&amp;","")

【讨论】：

这个方法的错误列表并不短：其中，如果有一个空的 <string/> 元素，或者如果任何 <string> 元素包含属性，或者其开头的空格或结束标记，或者任何文本节点包含字符实体或 CDATA。
你假设太多了！！。这是一个坏习惯。