使用 minidom 从 XML 节点中提取文本

Question

我已经浏览了几篇帖子，但我还没有找到任何解决我问题的答案。

示例 XML =

<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/>
</TextWithNodes>

所以我明白，通常如果我提取TextWithNodes作为NodeList我会做类似的事情

nodeList = TextWithNodes[0].getElementsByTagName('Node')
for a in nodeList:
    node = a.nodeValue
    print node

我得到的只是None.我读过您必须写a.childNodes.nodeValue但节点列表中没有子节点，因为看起来所有 Node Id 都是结束标签？如果我使用a.childNodes我会得到[].

当我获得a的节点类型时，它是类型 1 和 TEXT_NODE = 3。我不确定这是否有帮助。

我想提取TEXT1、TEXT2等。

Answer 1

直接从

文档中lxml的解决方案：

from lxml import etree
from StringIO import StringIO
xml = etree.parse(StringIO('''<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/></TextWithNodes>'''))
xml.xpath("//text()")
Out[43]: ['n', 'TEXT1', 'TEXT2 ', 'TEXT3']

您还可以提取特定节点的文本：

xml.find(".//Node[@id='19']").text

这里的问题是 XML 中的文本不属于任何节点。

Answer 2

你应该使用ElementTree api而不是minidom来完成你的任务（如这里其他答案中所解释的），但如果你需要使用minidom，这里有一个解决方案。

您要查找的内容已作为 textContent 属性添加到 DOM 级别 3。 迷你圈仅支持级别 1。

但是，您可以使用此函数非常接近地模拟文本内容：

def textContent(node):
    if node.nodeType in (node.TEXT_NODE, node.CDATA_SECTION_NODE):
        return node.nodeValue
    else:
        return ''.join(textContent(n) for n in node.childNodes)

然后你可以像这样使用：

x = minidom.parseString("""<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/></TextWithNodes>""")
twn = x.getElementsByTagName('TextWithNodes')[0]
assert textContent(twn) == u'nTEXT1TEXT2 TEXT3'

请注意我是如何获得父节点的文本内容的TextWithNodes。这是因为您的Node元素是这些文本节点的同级，而不是它们的父级。

Answer 3

使用 xml.etree.ElemetTree（类似于 lxml，@DiegoNavrro在他的答案中使用，除了标准库中的一部分 etree 并且没有 XPATH 等）您可以尝试以下内容：

import xml.etree.ElementTree as etree
xml_string = """<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/>
</TextWithNodes>
"""
xml_etree = etree.fromstring(xml_string)
text = [element.tail for element in xml_etree]
# `text` will be ['TEXT1', 'TEXT2 ', 'TEXT3', 'n']

请注意，这假定 XML <Node id="0"/>TEXT1...是正确的。由于文本跟在结束标记之后，因此它将成为标记的尾部文本。它不是元素nodeValue，这就是为什么在你的代码中的问题中你会得到None s。

如果要解析某些 XML，例如<Node id="0">TEXT1</Node>则必须将行[element.tail for element in xml_etree]替换为 [element.text for element in xml_etree] 。