使用 XPath 在 Python ElementTree 中通过部分匹配的标记查找所有元素答案

【问题标题】：Find all elements by partially matched tag in Python ElementTree using XPath使用 XPath 在 Python ElementTree 中通过部分匹配的标记查找所有元素
【发布时间】：2020-06-05 21:06:53
【问题描述】：

我正在尝试在 XHTML ElementTree 中查找所有标题元素，我想知道是否有任何方法可以使用 XPath 做到这一点。

<body>
  <h1>title</h1>
  <h2>heading 1</h2>
  <p>text</p>
  <h3>heading 2</h3>
  <p>text</p>
  <h2>heading 3</h2>
  <p>text</p>
</body>

我的目标是让所有标题元素按顺序排列，天真的解决方案行不通：

for element in tree.iterfind("h*"):
  foo(element)

因为它们应该是有序的，所以我不能单独遍历每个标题元素

headings = {f"h{n}" for n in range(1, 6+1)}

for heading in headings:
  for element in tree.iterfind(heading):
    foo(element)

（但 for element in filter(lambda el: el.tag in headings, tree.iterfind()) 有效）

我不能使用正则表达式，因为它在 cmets 上中断（不使用字符串标签）

import re
pattern = re.compile("^h[1-6]$")
is_heading = lambda el: pattern.match(el.tag)

for element in filter(is_heading, tree.iterfind()):
  foo(element)

（但 is_heading = lambda el: isinstance(el.tag, str) and pattern.match(el.tag) 有效）

没有一个解决方案特别优雅，所以我想知道是否有更好的方法可以使用 xpath 按顺序查找所有标题元素？

【问题讨论】：

XPath 支持在 ElementTree 中受到限制；你能用lxml吗？
以下任何答案是否有帮助或您仍有问题？

标签： python-3.x xml xpath elementtree

【解决方案1】：

像这样：

//*[self::h1 or self::h2 or self::h3]

【讨论】：

我假设您的意思是 * 而不是 .？
我知道 ElementTree 支持一些无效的 xpath，所以我确实尝试了它并得到了 SyntaxError: cannot use absolute path on element 错误（像 OP 一样使用 iterfind）。也许您可以扩展您的答案，这样我们就不必猜测您如何使无效的 xpath 工作？
这取决于 xpath 版本。尝试使用 xpath3。更改了表达式以使用 xpath1
啊...ElementTree 仅支持 XPath 1.0 的有限子集。所以我没有想到 XPath 3.0。（另外，不幸的是，self::axis 也不支持。）

【解决方案2】：

如果你可以使用lxml，你可以使用union operator |...

from lxml import etree

xml = """
<body>
  <h1>title</h1>
  <h2>heading 1</h2>
  <p>text</p>
  <h3>heading 2</h3>
  <p>text</p>
  <h2>heading 3</h2>
  <p>text</p>
</body>
"""

tree = etree.fromstring(xml)

for elm in tree.xpath("//h1|//h2|//h3"):
    print(elm.text)

打印输出...

title
heading 1
heading 2
heading 3

如果您愿意，lxml 还允许您使用 self:: 轴，就像另一个答案中提到的那样。

【讨论】：

【解决方案3】：

另一种方法。

from simplified_scrapy import SimplifiedDoc,req,utils
html ='''
<body>
  <h1>title</h1>
  <h2>heading 1</h2>
  <p>text</p>
  <h3>heading 2</h3>
  <p>text</p>
  <h2>heading 3</h2>
  <p>text</p>
</body>'''
doc = SimplifiedDoc(html)
hs = doc.getElementsByReg('h[1-9]')
print(hs.text)

结果：

['title', 'heading 1', 'heading 2', 'heading 3']

【讨论】：

【解决方案4】：

这个 XPath 也应该可以工作：

'//*[starts-with(name(), "h") and not(translate(substring(name(),string-length(name())), "0123456789", ""))]'

【讨论】：