为什么 getparent() 没有按预期工作？

Question

我需要对其中一个标签内的文本进行一些操作，并希望为其找到的每个文本节点获取父标签

代码：

import lxml.etree
import pprint
s = '''
<data>
    data text
    <foo>foo - <bar>bar</bar> text</foo>
    data text
    <bar>
        bar text
        <baz>baz text</baz>
        <baz>baz text</baz>
        bar text
    </bar>
    data text
</data>
'''
etree = lxml.etree.fromstring(s)
text = etree.xpath("//text()[normalize-space()]")
pprint.pprint([(s.getparent().tag, s.strip()) for s in text])

输出：

[('data', 'data text'),
 ('foo', 'foo -'),
 ('bar', 'bar'),
 ('bar', 'text'),
 ('foo', 'data text'),
 ('bar', 'bar text'),
 ('baz', 'baz text'),
 ('baz', 'baz text'),
 ('baz', 'bar text'),
 ('bar', 'data text')]

我预计：

[('data', 'data text'),
 ('foo', 'foo -'),
 ('bar', 'bar'),
 ('foo', 'text'),
 ('data', 'data text'),
 ('bar', 'bar text'),
 ('baz', 'baz text'),
 ('baz', 'baz text'),
 ('bar', 'bar text'),
 ('data', 'data text')]

我的错误在哪里？看起来像我输出中的标签 - 不是树中文本的父标签，而只是前一个标签。

编辑满足我需要的工作代码：

etree = lxml.etree.fromstring(s)
text = etree.xpath("//text()[normalize-space()]")
for s in text:
    if s.is_tail:
        print(s.getparent().getparent().tag, s.strip())
    else:
        print(s.getparent().tag, s.strip())

Answer 1

据我所知，这是由于 lxml 中的 "tail" 概念（参见：2. How ElementTree represents XML）。当元素的内容包含元素节点和文本节点的混合时，文本节点表示为前一个元素的 'tail' 或通常表示为父元素的子元素 仅当它先出现时 [=25] =].

您可以调用 getparent() 两次以获得 实际的 父节点，例如 'tail' 文本节点 (is_tail=True) :

pprint.pprint( [(s.getparent().getparent().tag if s.is_tail else s.getparent().tag, s.strip()) for s in text] )

输出：

[('data', 'data text'), ('foo', 'foo -'), ('bar', 'bar'), ('foo', 'text'), ('data', 'data text'), ('bar', 'bar text'), ('baz', 'baz text'), ('baz', 'baz text'), ('bar', 'bar text'), ('data', 'data text')]

Answer 2

您所看到的与 tail 属性（紧跟在结束标记之后的文本）有关，这是 ElementTree 和 lxml 表示 XML 的方式的一个特点.

通过向您的代码添加 is_tail 测试（returns True 如果文本是 "tail text"），您可以看到发生了什么：

import lxml.etree
import pprint

s = '''
<data>
    data text
    <foo>foo - <bar>bar</bar> text</foo>
    data text
    <bar>
        bar text
        <baz>baz text</baz>
        <baz>baz text</baz>
        bar text
    </bar>
    data text
</data>
'''

etree = lxml.etree.fromstring(s)
text = etree.xpath("//text()[normalize-space()]")
pprint.pprint([(s.getparent().tag, s.is_tail, s.strip()) for s in text])

输出：

[('data', False, 'data text'),
 ('foo', False, 'foo -'),
 ('bar', False, 'bar'),§
 ('bar', True, 'text'),
 ('foo', True, 'data text'),
 ('bar', False, 'bar text'),
 ('baz', False, 'baz text'),
 ('baz', False, 'baz text'),
 ('baz', True, 'bar text'),
 ('bar', True, 'data text')]

为什么 getparent() 没有按预期工作？

Why getparent() don't work as expected?

python

xpath

lxml