lxml 源代码行返回无答案

【问题标题】：lxml sourceline returning Nonelxml 源代码行返回无
【发布时间】：2019-06-25 00:40:32
【问题描述】：

使用beautifulsoup和lxml解析时需要获取xml的行号。

xml 缺少根标记，因此无法直接使用 XML 元素树/lxml。所以用beautifulsoup刮掉它。需要在嵌套字典中保留 xml 的文件名、行号、xml 标记及其值。尝试使用 beautifulsoup/lxml 抓取时无法获取行号。 print(linenum) 返回 None 但需要在 xml 文件中返回行号。有什么想法吗？

for xml_file in os.listdir("/Users/abc/Documents/test"):
    mode_map = defaultdict(list)       
    with open("/Users/abc/test/"+xml_file) as raw_resuls:    

        results = BeautifulSoup(raw_resuls, 'lxml')            

        for element in results.find_all("process"):
            attrib = element['mode']                
            if element.find("value") is not None:    
                child = element.find("value").text                    
                linenum= element.find("value").sourceline                    
                print(linenum)                    
                mode_map[attrib].append(child)                    


               # print(mode_map)

        event_map["process"]=mode_map    
        file_map[xml_file]=event_map

【问题讨论】：

BeautifulSoup 元素没有名为“sourceline”的属性。您的linenum 变为None 而不是引发AttributeError 的原因是BeautifulSoup 元素还允许您使用element.process 之类的语法而不是element.findChild('process') 按名称查找孩子，其中None 作为故障保护.我个人不喜欢这样：在很多情况下可能很方便，但感觉迟早你会无意中碰到 BeautifulSoup 元素的现有属性。
既然lxml有你想要的特性，而BeautifulSoup没有，那为什么不直接使用lxml呢？如果 xml 的所有问题在于它“缺少根标记”，那么您至少可以自己打一个根标记。

标签： python beautifulsoup lxml

【解决方案1】：

由于我找不到更好的东西，我将其发布为答案。就像你习惯的那样简单地from lxml import etree。然后，这样做：

    with open("/Users/abc/test/"+xml_file) as fin:    
        raw_xml = fin.read()
        results = etree.XML('<root>' + raw_xml + '</root>')

我相信您知道下一步该做什么，因为您似乎对 lxml 很熟悉。由于我添加的<root>...</root> 标记对不带有换行符，因此它们不会以任何方式影响您的sourceline。

【讨论】：

谢谢！字符串连接的想法就像一个魅力。但是，当我尝试解析 etree.XML 时，它抛出了一个错误，所以我查阅了文档，BytesIO 成功了！

【解决方案2】：

这对我有用！

with open("/Users/abc/Documents/test/"+xml_file) as fin:

        raw_xml = fin.read()

        new_xml="<root>" + raw_xml + "</root>"

        some_file_like = BytesIO(new_xml.encode())

        for event, element in etree.iterparse(some_file_like):
            if element.tag == 'process':
                attrib = element.attrib['mode']
                #print(attrib)
                if element.find("value") is not None:

                    child = element.find("value").text
                    linenum= element.find("value").sourceline
                    print(linenum)

【讨论】：