Извлечение текста из узла XML с помощью minidom

Question

Я просмотрел несколько сообщений, но я не нашел ответов, которые решили мою проблему.

Пример XML =

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

Так что я понимаю, что, как правило, если я извлек TextWithNodes как NodeList я хотел бы сделать что-то вроде

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

Все, что я получаю None. Я прочитал, что вы должны написать a.childNodes.nodeValue, но в списке узлов нет дочернего узла, поскольку он выглядит так, как все теги Node закрывают теги? Если я использую a.childNodes, я получаю [].

Когда я получаю тип узла для a, это тип 1 и TEXT_NODE = 3. Я не уверен, что это полезно.

Я хотел бы извлечь TEXT1, TEXT2 и т.д.

Answer 1

Раствор с lxml прямо из документации:

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'] 

Вы также можете извлечь текст с определенного узла:

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

Проблема в том, что текст в XML не принадлежит ни одному узлу.

Answer 2

Использование xml.etree.ElemetTree (который похож на LXML который @DiegoNavrro использовал в своем ответе, за исключением того, что etree в части стандартной библиотеки и не имеет XPATH и т.д.), вы можете дать следующее идти:

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'] 

Примечание: это предполагает, что XML <Node id="0"/>TEXT1 ... верен. Поскольку текст следует за закрывающим тегом, он становится хвостовым текстом тега. Это не элементы nodeValue, поэтому в вашем коде в вопросе вы получаете None s.

Если вы хотите разобрать какой-либо XML, такой как <Node id="0">TEXT1</Node>, вам придется заменить строку [element.tail for element in xml_etree] на [element.text for element in xml_etree].

Answer 3

Вы должны использовать apiElementTree api вместо minidom для своей задачи (как описано в других ответах здесь), но если вам нужно использовать мини-диск, вот решение.

Что вы ищете, было добавлено к уровню DOM 3 как textContent attribute. Minidom поддерживает только уровень 1.

Однако вы можете эмулировать TextContent довольно тесно с этой функцией:

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) 

Что вы можете использовать как так:

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' 

Обратите внимание, как я получил текстовое содержимое родительского узла TextWithNodes. Это связано с тем, что ваши элементы Node являются сиблингами этих текстовых узлов, а не их родителями.