使用Python ElementTree提取XML标记中的文本
我有一个包含数万个XML文件（小文件）的语料库，我正在尝试使用Python并提取其中一个XML标记中包含的文本，例如，body标记之间的所有内容，例如：
<body> sample text here with <bold> nested </bold> tags in this paragraph </body>
然后编写一个包含此字符串的文本文档，然后向下移动XML文件列表。
我正在使用effbot的ELementTree，但找不到正确的命令/语法来做到这一点。我找到了一个使用迷你DOM的dom.getElementsByTagName的网站，但我不确定元素树的相应方法是什么。任何想法都将不胜感激。
共有2个答案
我会用re：
import re
body_txt = re.match('<body>(.*)</body>',body_txt).groups()[0]
然后要删除内部标签：
body_txt = re.sub('<.*?>','',body_txt)
你不应该在不需要的时候使用regexp，这是真的。。。但是，在需要的时候使用它们并没有什么错。
一个更好的答案，展示了如何实际使用XML解析来做到这一点：
import xml.etree.ElementTree as ET
stringofxml = "<body> sample text here with <bold> nested </bold> tags in this paragraph </body>"
def extractTextFromElement(elementName, stringofxml):
tree = ET.fromstring(stringofxml)
for child in tree:
if child.tag == elementName:
return child.text.strip()
print extractTextFromElement('bold', stringofxml)
-
我从http请求中得到了这个QString，我需要做的是只提取字符串“一致“在标签内 怎么做？
-
问题内容： 我要提取： 来自标签的src的文本和 类数据内的定位标记的文本 我成功地提取了img src，但是从锚标记中提取文本时遇到了麻烦。 这是整个HTML页面的链接。 这是我的代码： 我想做的是 提取图像src（链接）和中的标题，因此例如： 应该提取： 问题答案： 以上所有答案确实可以帮助我构建答案，因此，我对其他用户提出的所有答案投了赞成票：但是我最终对自己正在处理的确切问题汇总了自己的答
-
问题内容： 我有这个示例xml文件 我喜欢提取标题标签和内容标签的内容。 使用模式匹配或使用xml模块，哪种方法最适合提取数据。还是有更好的方法来提取数据。 问题答案： 特别是已经有一个内置的XML库。例如：
-
问题内容： 这是XML的一部分： 提取标签很容易。做就是了： 但是，如何立即获得文本（ 猫的照片 ）呢？执行以下操作将返回一个空白字符串： 问题答案： 元素具有属性-因此，您要求的不是。 或者，例如： 这也适用于普通的ElementTree：
-
我正在使用JAXB操作XML文件中的数据，并将这些值插入到数据库中。我有一个从特定的XML标记中提取数据的问题。这个XML标记包含字母数字值，但大约95%（如果不是99%）的时候，它包含的值是整数。因此，我将这些值视为。 提取这些引用的值会删除前导零，从而将作为结果值。我不明白为什么。我觉得JAXB将这些值视为整数。 我怎样才能得到正确的价值呢？ 编辑： 下面是相应的POJO@XMLAccesso
-
我正在尝试使用Python中的BeautifulSoup包提取存在于div标记中的文本。 示例我想提取标记 内部的文本 以及 中的文本 当我运行代码时，系统崩溃并显示以下错误： ----------------------------------------------------------------------------------------------------在60###artic