遍历python中XML标签的所有子标签和字符串，而不指定子标签名称

Question

我的问题是来自here 的附加问题，但我不打算将答案部分用于附加问题。

如果我有这样的 XML 文件的一部分：

  <eligibility>
    <criteria>
      <textblock>
        Inclusion Criteria:

          -  women undergoing cesarean section for any indication

          -  literate in german language

        Exclusion Criteria:

          -  history of keloids

          -  previous transversal suprapubic scars

          -  known patient hypersensitivity to any of the suture materials used in the protocol

          -  a medical disorder that could affect wound healing (eg, diabetes mellitus, chronic
             corticosteroid use)
      </textblock>
    </criteria>
    <gender>Female</gender>
    <minimum_age>18 Years</minimum_age>
    <maximum_age>45 Years</maximum_age>
    <healthy_volunteers>No</healthy_volunteers>
  </eligibility>

我想提取此资格部分中的所有字符串（即文本块部分和性别、最小年龄、最大年龄和健康志愿者部分中的字符串）

使用上面的代码我做到了：

import sys
from bs4 import BeautifulSoup

soup = BeautifulSoup(open(sys.argv[1], 'r'), 'lxml')
eligibi = []

for eligibility in soup.find_all('eligibility'):
    d = {'other_name':eligibility.criteria.textblock.string, 'gender':eligibility.gender.string}
    eligibi.append(d)

print eligibi

我的问题是我有很多文件。有时 XML 文件的结构可能是：

eligibility -> criteria -> textblock -> text
eligibility -> other things (e.g. gender as above) -> text
eligibility -> text

例如 如果有办法只取'取所有子标题及其文本'

所以在上面的例子中，列表/字典将包含： {标准文本块：纳入和排除标准，性别：xxx，minimum_age：xxx，maximum_age：xxx，health_volunteers：xxx}

我的问题是，实际上，我不会知道资格标签的所有特定子标签，因为每个实验都可能不同（例如，可能有人说“接受孕妇”、“接受 XXX 的药物史” '等）

所以我只想，如果我给它一个标签名称，它会给我字典中的所有子标签和这些子标签的文本。

用于评论的扩展 XML：

<brief_title>Subcutaneous Adaption and Cosmetic Outcome Following Caesarean Delivery</brief_title>
<source>Klinikum Klagenfurt am Wörthersee</source>

...然后是上面的资格 XML 部分。

Answer 1

由于您已安装 lxml，您可以尝试以下操作（此代码假定给定元素中的叶元素，即 eligibility 是唯一的）：

from lxml import etree
tree = etree.parse(sys.argv[1])
root = tree.getroot()

eligibi = []

for eligibility in root.xpath('//eligibility'):
    d = {}
    for e in eligibility.xpath('.//*[not(*)]'):
        d[e.tag] = e.text
    eligibi.append(d)

print eligibi

XPath 解释：

• .//* ：查找当前eligibility 中的所有元素，无论其深度（//）和标签名称（*）如何
• [not(*)] ：将前一位找到的元素过滤到没有任何子元素（即叶元素）的元素