使用 python 读取 XML 文本的问题答案

【问题标题】：Issue in reading text in XML using python使用 python 读取 XML 文本的问题
【发布时间】：2018-02-23 13:58:07
【问题描述】：

我正在尝试读取以下具有以下内容的 XML 文件：

<tu creationdate="20100624T160543Z" creationid="SYSTEM" usagecount="0">
    <prop type="x-source-tags">1=A,2=B</prop>
    <prop type="x-target-tags">1=A,2=B</prop>
    <tuv xml:lang="EN">
      <seg>Modified <ut x="1"/>Denver<ut x="2"/> Score</seg>
    </tuv>
    <tuv xml:lang="DE">
      <seg>Modifizierter <ut x="1"/>Denver<ut x="2"/>-Score</seg>
    </tuv>
  </tu>

使用以下代码

tree = ET.parse(tmx)
root = tree.getroot()
seg = root.findall('.//seg')
for n in seg:
   print(n.text)

它给出了以下输出：

Modified
Modifizierter

我期待的是

Modified Denver Score
Modifizierter Denver -Score

有人可以解释为什么只显示部分 seg 吗？

【问题讨论】：

标签： python xml parsing lxml

【解决方案1】：

你可以使用tostring函数：

tree = ET.parse(tmx)
root = tree.getroot()
seg = root.findall('.//seg')
for n in seg:
   print(ET.tostring(n, method="text"))

在您的情况下，结果字符串可能包含不必要的符号，因此您可以像这样修改最后一行：

print(ET.tostring(n, method="text").strip())

【讨论】：

【解决方案2】：

您需要注意tail 属性，它是元素结束标记之后的文本。这里解释得很好：http://infohost.nmt.edu/tcc/help/pubs/pylxml/web/etree-view.html。

“Denver”是第一个 <ut> 元素的 tail，“Score”是第二个 <ut> 元素的 tail。这些字符串不是<seg> 元素的text 的一部分。

除了 kgbplus 提供的解决方案（同时适用于 ElementTree 和 lxml），使用 lxml 您还可以使用以下方法来获得想要的输出：

xpath()

for n in seg:
    print("".join(n.xpath("text()")))

itertext()

for n in seg:
    print("".join(n.itertext()))

【讨论】：