删除跨越 xml 树分支的 2 个标签之间的所有内容答案

【问题标题】：remove everything between 2 tags that span branches of an xml tree删除跨越 xml 树分支的 2 个标签之间的所有内容
【发布时间】：2010-08-04 01:20:44
【问题描述】：

我正在尝试使用 python 和 lxml 删除 2 个标签之间的 XML 文档中的所有内容。问题是标签可以在树的不同分支中（但总是在相同的深度）一个示例文档可能看起来像这样。

<root>
    <p> Hello world <start />this is a paragraph </p>
    <p> Goodbye world. <end />I'm leaving now </p>
</root>

我想删除开始标签和结束标签之间的所有内容。这将导致单个 p 标签：

<root>
    <p> Hello world I'm leaving now </p>
</root>

有人知道如何使用 lxml 和 python 来实现吗？

【问题讨论】：

标签： python xml lxml

【解决方案1】：

你手上的东西一团糟，应该揍那个故意歪曲 XML 嵌套规则的人。

您可能最好使用SAX 之类的东西来识别<start/> 标签并开始丢弃输入，直到您遇到<end/>。 SAX 在这方面比 lxml 有优势，因为它允许您对每个词位采取任意操作，而 lxml 在您接触它们之前已经分离了开始和结束。

当您使用它时，您可能希望将这些文档转换为可用的 XML。

【讨论】：

哦，我多么希望我能做点什么……这是一个 ODT 文件。他们使用这些来“跟踪更改”，不幸的是我正在使用 etree 对文件进行很多其他操作，所以我不确定是否可以切换到 SAX :( 很高兴知道它会处理它，我可能会需要调查一下。

【解决方案2】：

我知道有些人会因此而对我下手，但你可以使用正则表达式：

import re
new_string = re.sub(r'<start />(.*?)<end />', '', your_string, re.S)

当 XML 解析器不是有效的 XML 时，您不能使用它。

【讨论】：

我倾向于同意。虽然这在某些情况下可能效率较低，但它可能不会造成那么大的性能问题。
XML 完全有效。请注意，开始和结束是完整的自闭合标签。我已经考虑过正则表达式路线，但是文档很大，我需要删除很多这种情况。
@user61 你是对的，它是有效 XML。我不知道更好的词。这不是“正确的”XML，也许吧？无论如何，如果您可以在 slurp 模式下阅读它，那么无论大小如何，您都可能没问题。
@NullUserException 看起来这是我必须采取的路线，但在同一个脚本中，我对文档进行了很多其他操作，我不确定它是如何操作的将有助于以“啜饮”模式完成，这是我以前从未使用过的。
@NullUserException，对不起，我以为您指的是使用 SAX 或类似的东西。我对正则表达式方法的唯一问题是我有一个操作列表（插入和删除），我需要对需要以正确顺序应用的文档执行这些操作，所以我必须转储整个文档到一个字符串，并在每次删除时重新解析它的全部内容，其中一个文档中可能有数百个。

【解决方案3】：

您可以尝试使用类似 SAX 的target parser interface：

from lxml import etree

class SkipStartEndTarget:
    def __init__(self, *args, **kwargs):
        self.builder = etree.TreeBuilder()
        self.skip = False

    def start(self, tag, attrib, nsmap=None):
        if tag == 'start':
            self.skip = True
        if not self.skip:
            self.builder.start(tag, attrib, nsmap)

    def data(self, data):
        if not self.skip:
            self.builder.data(data)

    def comment(self, comment):
        if not self.skip:
            self.builder.comment(self)

    def pi(self, target, data):
        if not self.skip:
            self.builder.pi(target, data)

    def end(self, tag):
        if not self.skip:
            self.builder.end(tag)
        if tag == 'end':
            self.skip = False

    def close(self):
        self.skip = False
        return self.builder.close()

然后您可以使用SkipStartEndTarget 类创建parser target，并使用该目标创建自定义XMLParser，如下所示：

parser = etree.XMLParser(target=SkipStartEndTarget())

如果需要，您仍然可以向解析器提供其他解析器选项。然后您可以将此解析器提供给您正在使用的解析器函数，例如：

elem = etree.fromstring(xml_str, parser=parser)

这也适用于etree.XML() 和etree.parse()，您甚至可以使用etree.setdefaultparser() 将解析器设置为默认解析器（这可能不是一个好主意）。一件事可能会让您感到困惑：即使使用etree.parse()，它也不会返回元素树，但始终会返回一个元素（就像etree.XML() 和etree.fromstring() 一样）。我认为这（目前）还不能做到，所以如果这对您来说是个问题，您将不得不以某种方式解决它。

请注意，也可以使用 lxml.sax 从 sax 事件创建元素树，这可能会更困难和更慢。与上面的示例相反，它将返回一个元素树，但我认为它不提供您在正常使用etree.parse() 时会得到的.docinfo。我也相信它（目前）不支持 cmets 和 pi。（还没用过，暂时不能更准确）

还请注意，任何类似 SAX 的文档解析方法都要求跳过 <start/> 和 <end/> 之间的所有内容仍会生成格式良好的文档，在您的示例中就是这种情况，但不会是例如，如果第二个<p> 是<p2>，那么您最终会得到<p>....</p2>。

【讨论】：