使用带有标签的 ElementTree 从 XML 检索文本时遇到问题

Question

现在我有一些代码使用 Biopython 和 NCBI 的“Entrez”API 从 Pubmed Central 获取 XML 字符串。我正在尝试使用 ElementTree 解析 XML 以获取页面中的文本。虽然当我从网站本身抓取 lxml 数据时，我有 BeautifulSoup 代码，但我正在切换到 NCBI API，因为抓取工具显然是禁忌。但是现在使用来自 NCBI API 的 XML，我发现 ElementTree 非常不直观，并且确实需要一些帮助才能使其正常工作。当然，我看过其他帖子，但其中大部分都涉及命名空间，就我而言，我只想使用 XML 标记来获取信息。甚至 ElementTree 文档也没有涉及（据我所知）。谁能帮我弄清楚在某些标签内而不是在某些命名空间内获取信息的语法？

这是一个例子。注意：我使用 Python 3.4

XML 的小片段：

      <sec sec-type="materials|methods" id="s5">
      <title>Materials and Methods</title>
      <sec id="s5a">
        <title>Overgo design</title>
        <p>In order to screen the saltwater crocodile genomic BAC library described below, four overgo pairs (forward and reverse) were designed (<xref ref-type="table" rid="pone-0114631-t002">Table 2</xref>) using saltwater crocodile sequences of MHC class I and II from previous studies <xref rid="pone.0114631-Jaratlerdsiri1" ref-type="bibr">[40]</xref>, <xref rid="pone.0114631-Jaratlerdsiri3" ref-type="bibr">[42]</xref>. The overgos were designed using OligoSpawn software, with a GC content of 50&#x2013;60% and 36 bp in length (8-bp overlapping) <xref rid="pone.0114631-Zheng1" ref-type="bibr">[77]</xref>. The specificity of the overgos was checked against vertebrate sequences using the basic local alignment search tool (BLAST; <ext-link ext-link-type="uri" xlink:href="http://www.ncbi.nlm.nih.gov/">http://www.ncbi.nlm.nih.gov/</ext-link>).</p>
    <table-wrap id="pone-0114631-t002" orientation="portrait" position="float">
      <object-id pub-id-type="doi">10.1371/journal.pone.0114631.t002</object-id>
      <label>Table 2</label>
      <caption>
        <title>Four pairs of forward and reverse overgos used for BAC library screening of MHC-associated BACs.</title>
      </caption>
      <alternatives>
        <graphic id="pone-0114631-t002-2" xlink:href="pone.0114631.t002"/>
        <table frame="hsides" rules="groups">
          <colgroup span="1">
            <col align="left" span="1"/>
            <col align="center" span="1"/>
          </colgroup>

对于我的项目，我想要“p”标签中的所有文本（不仅仅是这个 XML 片段，而是整个 XML 字符串）。

现在，我已经知道我可以将整个 XML 字符串变成一个 ElementTree 对象

>>> import xml.etree.ElementTree as ET
>>> tree = ET.ElementTree(ET.fromstring(xml_string))
>>> root = ET.fromstring(xml_string)

现在，如果我尝试使用这样的标签获取文本：

 >>> text = root.find('p')
 >>> print("".join(text.itertext()))

或

 >>> text = root.get('p').text

我无法提取我想要的文本。根据我的阅读，这是因为我使用标签“p”作为参数而不是命名空间。

虽然我觉得在 XML 文件中获取“p”标签中的所有文本对我来说应该很简单，但我目前无法做到。请让我知道我缺少什么以及如何解决这个问题。谢谢！

--- 编辑 ---

所以现在我知道我应该使用这段代码来获取“p”标签中的所有内容：

>>> text = root.find('.//p')
>>> print("".join(text.itertext()))

尽管我使用的是 itertext()，但它只返回第一个“p”标签的内容，而不查看任何其他内容。 itertext() 是否仅在标签内迭代？文档似乎建议它也遍历所有标签，所以我不确定为什么它只返回一行而不是所有“p”标签下的所有文本。

---- 最终编辑 --

我发现 itertext() 只能在一个标签内工作，而 find() 只返回第一项。为了获得我想要的完整文本，我必须使用 findall()

>>> all_text = root.findall('.//p')
>>> for texts in all_text:
    print("".join(texts.itertext()))

Answer 1

root.get() 是错误的方法，因为它会检索根标签的属性而不是子标签。 root.find() 是正确的，因为它会找到第一个匹配的子标签（或者可以将root.findall() 用于所有匹配的子标签）。

如果您不仅要查找直接子标签，还要查找间接子标签（如您的示例所示），root.find/root.findall 中的表达式必须是 XPath 的子集（请参阅 https://docs.python.org/2/library/xml.etree.elementtree.html#xpath-support）。你的情况是'.//p':

  text = root.find('.//p')
  print("".join(text.itertext()))