如何使用 ElementTree 将 HTML 标签解析为原始文本答案

【问题标题】：How to parse HTML tags as raw text using ElementTree如何使用 ElementTree 将 HTML 标签解析为原始文本
【发布时间】：2014-06-24 17:41:58
【问题描述】：

我有一个在 XML 标记中包含 HTML 的文件，我希望该 HTML 作为原始文本，而不是让它被解析为 XML 标记的子级。这是一个例子：

import xml.etree.ElementTree as ET
root = ET.fromstring("<root><text><p>This is some text that I want to read</p></text></root>")

如果我尝试：

root.find('text').text

不返回任何输出

但是 root.find('text/p').text 将返回没有标签的段落文本。我希望文本标签中的所有内容都是原始文本，但我不知道如何获得它。

【问题讨论】：

标签： html xml python-3.x xml-parsing elementtree

【解决方案1】：

Your solution 是合理的。元素对象是子项列表。元素对象的.text 属性仅与不属于其他（嵌套）元素的事物（通常是文本）相关。

您的代码中有一些需要改进的地方。在 Python 中，字符串连接是一项昂贵的操作。最好构建子字符串列表并在以后加入它们——像这样：

output_lst = []  
for child in root.find('text'):
    output_lst.append(ET.tostring(child, encoding="unicode"))

output_text = ''.join(output_lst)

列表也可以使用 Python list comprehension 构造来构建，因此代码将更改为：

output_lst = [ET.tostring(child, encoding="unicode") for child in root.find('text')]  
output_text = ''.join(output_lst)

.join 可以使用任何产生字符串的迭代。这样列表就不需要提前构建。相反，可以使用生成器表达式（可以在列表推导的[] 中看到）：

output_text = ''.join(ET.tostring(child, encoding="unicode") for child in root.find('text'))

单行可以格式化为更多行以使其更具可读性：

output_text = ''.join(ET.tostring(child, encoding="unicode")
                      for child in root.find('text'))

【讨论】：

【解决方案2】：

我能够通过使用 ET.tostring 将我的文本标签的所有子元素附加到一个字符串来获得我想要的：

output_text = ""    
for child in root.find('text'):
    output_text += ET.tostring(child, encoding="unicode")

>>>output_text
>>>"<p>This is some text that I want to read</p>"

【讨论】：

是的，我提供的答案呢？看起来不简单吗？
抱歉，我想我最初的请求并没有那么清楚。我想在 output_text 字符串中包含“
”标签（或任何其他 html 标签），而不仅仅是标签的内部文本。