从 .docx 文档的 xml 中提取数据

Question

我需要提取标签之间的数据，如下所述。另外，如果数据对应相同的id，我想连接数据。

例如，根据下面的 XML，两个标签都在对应于相同 ID“00F1234A”的选项卡内 因此需要提取“Hello World”。

xml_string="
<w:r w:rsid="00F1234A">     
    <w:rPr> 

    </w:rPr>
    <w:t>Hello</w:t>
</w:r>   


<w:r w:rsid="00F1234A">     
    <w:rPr> 

    </w:rPr>
    <w:t xml:space="preserve">World</w:t>
</w:r>"

目前，我正在使用以下正则表达式在标签之间提取数据

re.findall("<w:t>(.+?)</w:t>",xml_string)

这给了我 Hello，但不是 Hello World

我如何连接对应于相同id的数据，在这种情况下是“00F1234A”

Answer 1

为了解析它，您需要来自 XML (xmlns: x = "urn:something") 的命名空间。

使用 etrees 来提取值，而不是像这样的正则表达式：

 import xml.etree.ElementTree as ET
#parse XML string
tree = ET.fromstring('xml_string')

#declare namespace dictionary
nsmap = {'w':'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}

tagvalues = []
#loop through all w:t tags and append their values to list
for i in root.findall('.//w:r//w:t', nsmap):
    tagvalues.append(i.text)

#concatenate all values into a string
string  = ''
[string.join(word) for word in tagvalues]

也请查看this post。