如何使用 bs4 或 lxml 在 Python 中找到 XML 标记的文本行？答案

【问题标题】：How can I get the line of the text where an XML tag is found in Python using bs4 or lxml?如何使用 bs4 或 lxml 在 Python 中找到 XML 标记的文本行？
【发布时间】：2021-04-06 08:25:17
【问题描述】：

我有一个 XML 文档，我想获取找到 BeautifulSoup 或 lxml 提取的标记所在的行。有没有办法做到这一点？

【问题讨论】：

标签： python xml beautifulsoup lxml

【解决方案1】：

对于 BeautifulSoup，此属性存储在 Tag 类的 sourceline attribute 中，并在解析器 here 和 here 中填充。

对于 lxml，这也可以通过 sourceline 属性实现。这是一个例子：

#!/usr/bin/python3
from lxml import etree
xml = '''
<a>
  <b>
    <c>
    </c>
  </b>
  <d>
  </d>
</a>
'''
root = etree.fromstring(xml)

for e in root.iter():
    print(e.tag, e.sourceline)

输出：

a 2
b 3
c 4
d 7

如果您想查看sourceline method 的实现，它实际上是在调用xmlGetLineNo，它是来自libxml2 的xmlGetLineNo 的绑定，它是xmlGetLineNoInternal 的包装器（其中的实际逻辑位于libxml2 中)。

您也可以find the line number of the closing tag 检查该标记的子树的文本表示中有多少行结尾。

xml.etree.ElementTree 可以also be extended 提供解析器找到元素所在的行号（解析器是来自模块xml.parsers.expat 的xmlparser）。

【讨论】：

【解决方案2】：

尝试使用enumerate() 函数。

例如，如果我们有以下 HTML：

html = """
<!DOCTYPE html>
<html>
<body>
<h1>My Heading</h1>
<p>My paragraph.</p>
</body>
</html>"""

我们希望找到<h1> 标记的行号 (<h1>My Heading</h1>)。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")

for (index, value) in enumerate(
    # Remove all the empty lines, so that they shouldn't be part of the line count
    (x for x in str(soup).splitlines() if x != ""),
    start=1,
):
    # Specify the tag you want to find
    # If the tag is found, it will return `1`, else `-1`
    if value.find("h1") == 1:
        print(f"Line: {index}.\t Found: '{value}' ")
        break

输出：

Line: 4.     Found: '<h1>My Heading</h1>'

【讨论】：