如何在 Python 中使用 xPath 为 XML 使用前面的同级？

Question

我有一个 XML 结构如下：

<?xml version="1.0" encoding="utf-8"?>
<pages>
    <page id="1" bbox="0.000,0.000,462.047,680.315" rotate="0">
        <textbox id="0" bbox="179.739,592.028,261.007,604.510">
            <textline bbox="179.739,592.028,261.007,604.510">
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">C</text>
                <text font="NUMPTY+ImprintMTnum-it"  bbox="192.745,592.218,199.339,603.578" ncolour="0" size="12.333">A</text>
                <text font="NUMPTY+ImprintMTnum-it"  bbox="193.745,592.218,199.339,603.578" ncolour="0" size="12.333">P</text>
                <text font="NUMPTY+ImprintMTnum-it"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.333">I</text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">T</text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">O</text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">L</text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">O</text>
                <text></text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">I</text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">I</text>
                <text font="NUMPTY+ImprintMTnum"  bbox="191.745,592.218,199.339,603.578" ncolour="0" size="12.482">I</text>
                <text></text>
            </textline>
        </textbox>
    </page>
</pages>

文本标签中的属性bbox有四个值，我需要一个元素的第一个bbox值和它前面的值之差。也就是说，前两个bbox之间的距离为1。在下面的循环中，我需要找到我取的bbox属性值的前一个兄弟，以便计算两者之间的距离。

   def wrap(line, idxList):
        if len(idxList) == 0:
            return    # No elements to wrap
        # Take the first element from the original location
        idx = idxList.pop(0)     # Index of the first element
        elem = removeByIdx(line, idx) # The indicated element
        # Create "newline" element with "elem" inside
        nElem = E.newline(elem)
        line.insert(idx, nElem)  # Put it in place of "elem"
        while len(idxList) > 0:  # Process the rest of index list
            # Value not used, but must be removed
            idxList.pop(0)
            # Remove the current element from the original location
            currElem = removeByIdx(line, idx + 1)
            nElem.append(currElem)  # Append it to "newline"

    for line in root.iter('textline'):
        idxList = []
        for elem in line:
            bbox = elem.attrib.get('bbox')
            if bbox is not None:
                tbl = bbox.split(',')
                distance = float(tbl[2]) - float(tbl[0])
            else:
                distance = 100  # "Too big" value
            if distance > 10:
                par = elem.getparent()
                idx = par.index(elem)
                idxList.append(idx)
            else:  # "Wrong" element, wrap elements "gathered" so far
                wrap(line, idxList)
                idxList = []
        # Process "good" elements without any "bad" after them, if any
        wrap(line, idxList)

    #print(etree.tostring(root, encoding='unicode', pretty_print=True))

我试过像这样使用 xPath：

for x in tree.xpath("//text[@bbox<preceding::text[1]/@bbox+11]"):
print(x)

但它returns没什么。我的路径是不是错了，我怎么能把它插入到循环中？

Answer 1

你的代码失败的原因是关于前面兄弟姐妹的轴名称是 preceding-sibling（不是 preceding）。

但是这里不需要使用XPath表达式，因为有原生的lxml 获取（第一个）前一个兄弟的方法称为 getprevious.

要检查对前一个 text 节点的访问，请尝试以下循环：

for x in tree.xpath('//text'):
    bb = x.attrib.get('bbox')
    if bb is not None:
        bb = bb.split(',')
    print('This: ', bb)
    xPrev = x.getprevious()
    bb = None
    if xPrev is not None:
        bb = xPrev.attrib.get('bbox')
        if bb is not None:
            bb = bb.split(',')
    if bb is not None:
        print('  Previous: ', bb)
    else:
        print('  No previous bbox')

它为当前 text 元素打印 bbox 并为直接在兄弟姐妹之前。

编辑

如果需要，也可以直接访问前面的bbox属性 text元素，调用x.xpath('preceding-sibling::text[1]/@bbox').

但是请记住，这个函数 returns 一个 list 找到的节点，如果没有的话已经找到了，这个列表是空的（不是None）。

因此，在您使用此结果之前，您必须：

检查返回列表的长度（应该 > 0），
从此列表中检索第一个元素（bbox属性的文本内容，在这种情况下，此列表应仅包含 1 个元素），
将其拆分为 ,（获取片段列表），
检查这个结果的第一个元素是否不为空，
转换为 float.

之后就可以使用了，例如与当前 bbox.

中的对应值进行比较

Answer 2

Python 使用非常古老的 XPath 1.0 标准。在 XPath 1.0 中，“<”运算符总是将其操作数转换为数字。所以当你写

//text[@bbox < preceding::text[1]/@bbox + 11]

您正在对 @bbox 个值执行数值差分和数值加法。

但是@bbox不是一个数字，它是由四个数字组成的以逗号分隔的列表：

179.739,592.028,261.007,604.510

将其转换为数字会产生 NaN（非数字），并且 NaN < NaN returns false。

要对这样的结构化属性值做任何有用的事情，您确实需要 XPath 2.0 或更高版本。

如何在 Python 中使用 xPath 为 XML 使用前面的同级？

How to use preceding sibling for XML with xPath in Python?

python

xml

tags

xpath

lxml

编辑