使用 lxml 解析 XML 时提取文本内容

本文档旨在帮助开发者在使用 lxml 库解析 XML 文件时，正确提取包含子元素的父节点的文本内容。我们将通过示例代码和详细解释，展示如何利用 tail 属性以及迭代方法，从复杂的 XML 结构中获取目标文本。

在使用 lxml 解析 XML 时，直接访问元素的 text 属性可能无法获取到期望的全部文本内容，尤其当元素包含子元素时。text 属性仅返回起始标签到第一个子元素之间的文本。为了提取包含子元素的父节点的完整文本，需要结合使用 tail 属性和迭代方法。

理解 text 和 tail 属性

在 lxml 中，每个元素节点都有 text 和 tail 属性。

• text: 表示元素的起始标签到第一个子元素（如果有）或结束标签之间的文本内容。
• tail: 表示元素的结束标签到下一个兄弟元素的起始标签（如果有）或父元素的结束标签之间的文本内容。

以下面的 XML 片段为例：

<title>
    <indexmarker marker="AAA"/>
    <indexmarker marker="BBB"/>
    <indexmarker marker="CCC"/>Text Here
</title>

对于 <title> 元素，title.text 将返回 None (或者空字符串，取决于解析器配置)，因为在 <title> 的起始标签和第一个子元素 <indexmarker> 之间没有直接的文本。而 "Text Here" 实际上是最后一个 <indexmarker> 元素的 tail 属性。

提取文本的常用方法

1. 利用 tail 属性：

   如果已知目标文本是某个子元素的 tail 属性，可以直接访问该属性。例如，要提取上述 XML 片段中 "Text Here"，可以先找到 <indexmarker> 元素，然后访问其 tail 属性。

   

   巧文书

   巧文书是一款AI写标书、AI写方案的产品。通过自研的先进AI大模型，精准解析招标文件，智能生成投标内容。

   61

   查看详情

   from lxml import etree
   
   xml_content = """
   <root>
       <title>
           <indexmarker marker="AAA"/>
           <indexmarker marker="BBB"/>
           <indexmarker marker="CCC"/>Text Here
       </title>
   </root>
   """
   
   root = etree.fromstring(xml_content)
   indexmarker_text = root.findall(".//indexmarker")[-1].tail # 找到最后一个 indexmarker 的 tail
   print(indexmarker_text)

   登录后复制

   这段代码首先解析 XML 内容，然后使用 findall 方法找到所有 <indexmarker> 元素，并获取最后一个元素的 tail 属性，即 "Text Here"。

2. 使用迭代器：

   如果需要提取元素及其所有子元素的文本内容，可以使用迭代器遍历元素的所有子节点，并将它们的 text 和 tail 属性连接起来。

   from lxml import etree
   
   xml_content = """
   <root>
       <title>title regular text 0</title>
       <title>title tail text 1
           <indexmarker marker="AAA"/>
           <indexmarker marker="BBB"/>
           <indexmarker marker="CCC"/>indexmarker tail text
       </title>
       <title>title regular text 2</title>
   </root>
   """
   
   root = etree.fromstring(xml_content)
   title_list = root.findall(".//title")
   
   for elem in title_list:
       text = (elem.text or "") + "".join(e.tail or "" for e in elem.findall("*"))
       print(text)

   登录后复制

   这段代码首先找到所有的 <title> 元素，然后对于每个 <title> 元素，将该元素的 text 属性和所有子元素的 tail 属性连接起来，从而得到完整的文本内容。

注意事项

• text 和 tail 属性可能为 None，因此在使用它们之前，需要进行判空处理，避免出现 AttributeError。
• 在处理大型 XML 文件时，使用迭代器可以有效地减少内存占用。
• 根据 XML 文件的具体结构，可能需要调整代码以适应不同的情况。

总结

通过理解 text 和 tail 属性，并结合使用迭代器，可以灵活地提取 XML 文件中各种形式的文本内容。在实际应用中，需要根据 XML 文件的结构选择合适的方法，并注意处理可能出现的 None 值，以确保代码的健壮性。

以上就是使用 lxml 解析 XML 时提取文本内容的详细内容，更多请关注php中文网其它相关文章！