Python如何从xml文本节点中去除空格

Question

我有一个xml文件如下

<Person>
<name>

 My Name

</name>
<Address>My Address</Address>
</Person>

标签有额外的新行，是否有任何快速的 Pythonic 方法来修剪它并生成新的 xml。

我找到了这个，但它只修剪标签之间而不是值 https://skyl.org/log/post/skyl/2010/04/remove-insignificant-whitespace-from-xml-string-with-python/

更新 1 - 处理在 <name> 标记中有尾部空格的以下 xml

<Person>
<name>

 My Name<shortname>My</short>

</name>
<Address>My Address</Address>
</Person>

两种xml都接受的答案句柄

更新 2 - 我在下面的答案中发布了我的版本，我正在使用它来删除所有类型的空格并在带有 xml 编码的文件中生成漂亮的 xml

https://stackoverflow.com/a/19396130/973699

Answer 1

我正在使用旧版本的 Python (2.3)，但目前我仍坚持使用标准库。为了显示一个非常向后兼容的答案，我用xml.dom 和xml.minidom 函数编写了这个。

import codecs
from xml.dom import minidom

# Read in the file to a DOM data structure.
original_document = minidom.parse("original_document.xml")

# Open a UTF-8 encoded file, because it's fairly standard for XML.
stripped_file = codecs.open("stripped_document.xml", "w", encoding="utf8")

# Tell minidom to format the child text nodes without any extra whitespace.
original_document.writexml(stripped_file, indent="", addindent="", newl="")

stripped_file.close()

虽然不是BeautifulSoup，但这个解决方案非常优雅，并且充分利用了底层 API。请注意，实际的格式只有一行:)

此处使用的 API 调用文档：

• minidom.parse
• minidom.Node.writexml
• codecs.open

Answer 2

Birei 使用 lxml 给出的已接受答案完美地完成了这项工作，但我想修剪所有类型的空白/空格、空白行并在 xml 文件中重新生成漂亮的 xml。

下面的代码做了我想做的事

from lxml import etree

#discard strings which are entirely white spaces
myparser = etree.XMLParser(remove_blank_text=True)

root = etree.parse('xmlfile',myparser)

#from Birei's answer 
for elem in root.iter('*'):
    if elem.text is not None:
        elem.text = elem.text.strip()
    if elem.tail is not None:
        elem.tail = elem.tail.strip()

#write the xml file with pretty print and xml encoding
root.write('xmlfile', pretty_print=True, encoding="utf-8", xml_declaration=True)

Answer 3

使用lxml，您可以遍历所有元素并检查它是否有文本到strip()：

from lxml import etree

tree = etree.parse('xmlfile')
root = tree.getroot()

for elem in root.iter('*'):
    if elem.text is not None:
        elem.text = elem.text.strip()

print(etree.tostring(root))

它产生：

<Person><name>My Name</name>
<Address>My Address</Address>
</Person>

---

UPDATE 也删除 tail 文本：

from lxml import etree

tree = etree.parse('xmlfile')
root = tree.getroot()

for elem in root.iter('*'):
    if elem.text is not None:
        elem.text = elem.text.strip()
    if elem.tail is not None:
        elem.tail = elem.tail.strip()

print(etree.tostring(root, encoding="utf-8", xml_declaration=True))

Answer 4

您可以使用beautifulsoup。遍历所有元素，并为每个包含一些文本的元素，将其替换为其剥离版本：

from bs4 import BeautifulSoup

soup = BeautifulSoup(open('xmlfile', 'r'), 'xml')

for elem in soup.find_all():
    if elem.string is not None:
        elem.string = elem.string.strip()

print(soup)

假设xmlfile 包含问题中提供的内容，则得出：

<?xml version="1.0" encoding="utf-8"?>
<Person>
<name>My Name</name>
<Address>My Address</Address>
</Person>

Answer 5

您必须以这种或另一种方式进行 xml 解析，因此可能使用xml.sax 并在每个事件处复制到输出流（跳过ignorableWhitespace），并根据需要添加标记标记。在这里查看示例代码http://www.knowthytools.com/2010/03/sax-parsing-with-python.html。