Python。获取没有空格的内部 XML答案

【问题标题】：Python. Get Internal XML with no whitespacePython。获取没有空格的内部 XML
【发布时间】：2020-12-08 18:00:59
【问题描述】：

我有一个这样的 XML 文件：

<?xml version="1.0" encoding="UTF-8"?>
<data>
    <head>
        <version>1.0</version>
        <project>hello, world</project>
        <date>2020-08-15</date>
    </head>
    <file name="helloworld.py"/>
    <file name="helloworld.ps1"/>
    <file name="helloworld.bat"/>
</data>

我需要抓取 head 元素中的数据，元素之间没有空格，像这样：

<version>1.0</version><project>hello, world</project><date>2020-08-15</date>

然后散列它。现在，我必须做一些字符串操作才能把它变成一行：

root = ET.parse('myfile.xml').getroot()
header = ET.tostring(root[0]).decode('utf-8')
import re
header = re.sub('\n','',header)
header = re.sub('>\s+<','><',header)
header = header.replace('<head>','')
header = header.replace('</head>','')
header = header.strip()

有没有更简单的方法来做到这一点？ Powershell XML 对象有一个简单的 InnerXML 属性，该属性为您提供元素内的 XML，没有空格作为字符串。 Python 有没有一种方法可以使这更容易？

【问题讨论】：

标签： python xml removing-whitespace

【解决方案1】：

如果您可以使用外部库，BeautifulSoup 在这方面做得很好。

https://www.crummy.com/software/BeautifulSoup/bs4/doc/#making-the-soup

这是您的文档的示例。

from bs4 import BeautifulSoup as bs

xml_doc = """<?xml version="1.0" encoding="UTF-8"?>
 <data>
 <head>
     <version>1.0</version>
     <project>hello, world</project>
     <date>2020-08-15</date>
 </head>
 <file name="helloworld.py"/>
 <file name="helloworld.ps1"/>
 <file name="helloworld.bat"/>
</data>"""

page_soup = bs(xml_doc)

page_soup.head.getText()

page_soup.head.getText().strip().replace('\n','').replace(' ','')

这将返回 head 标签的子元素的内容，并去掉换行符和空格。

【讨论】：

【解决方案2】：

下面（不使用任何外部库 - 只是核心 python）

import xml.etree.ElementTree as ET

root = ET.parse('input.xml')
head = root.find('.//head')
combined = ''.join(['<{}>{}</{}>'.format(e.tag,e.text,e.tag) for e in list(head)])
print(combined)

输入.xml

<?xml version="1.0" encoding="UTF-8"?>
<data>
    <head>
        <version>1.0</version>
        <project>hello, world</project>
        <date>2020-08-15</date>
    </head>
    <file name="helloworld.py"/>
    <file name="helloworld.ps1"/>
    <file name="helloworld.bat"/>
</data>

输出

<version>1.0</version><project>hello, world</project><date>2020-08-15</date>

【讨论】：

【解决方案3】：

每种方法都可能有问题。有些方法也会删除有用的空格，有些方法在节点有属性时会变得麻烦。所以我会给你第三种方法。这也可能是一种不完美的方法:)

from simplified_scrapy import SimplifiedDoc,utils
# xml_doc = utils.getFileContent('myfile.xml')
xml_doc = """<?xml version="1.0" encoding="UTF-8"?>
 <data>
 <head>
     <version>1.0</version>
     <project>hello, world</project>
     <date>2020-08-15</date>
 </head>
 <file name="helloworld.py"/>
 <file name="helloworld.ps1"/>
 <file name="helloworld.bat"/>
</data>"""

doc = SimplifiedDoc(xml_doc)
headXml = doc.head.html.strip() # Get internal data of head
print (doc.replaceReg(headXml,'>[\s]+<','><')) # Replace newlines and spaces with regex

结果：

<version>1.0</version><project>hello, world</project><date>2020-08-15</date>

【讨论】：