提取 body/p 标签中的所有文本

Question

我的主要任务是将 p 标签中的所有文本提取到以下名为“sample.xml”的 XML 文件中的 body 标签中：

<?xml version="1.0" encoding="UTF-8"?>
<newsItem >
<itemMeta>
<itemClass qcode="ninat:text"/>
<versionCreated>2018-01-16T12:05:19</versionCreated>
<pubStatus qcode="stat:usable"/>
<edNote role="sttnote:private">Aikamuoto printille</edNote>
</itemMeta>
<contentSet>
<inlineXML contenttype="xhtml/xml">
<html>
<body>
<p>Toiselle kierrokselle mennään, mikäli yksikään ehdokas ei ole saanut yli puolta ensimmäisellä kierroksella annetuista äänistä.</p>
<p>Vaaleissa ovat ehdokkaina <Person>Tuula Haatainen</Person> (sd.), <Person>Pekka Haavisto</Person> (vihr.), <Person>Laura Huhtasaari</Person> </p>
<p codej="obj:57654">Varsinaisena vaalipäivänä vaalihuoneistot ovat auki tuttuun tapaan kello 9:n ja 20:n välisenä aikana. Tällöin on äänestettävä siinä paikassa, joka kotiin jaettuun äänestyskorttiin on merkitty. Osa äänestäjistä sai kortin kotiinsa jo ennen joulua.</p></body>
</html>
</inlineXML>
</contentSet>
</newsItem>

这是我的代码：

from xml.etree import cElementTree as ET
tree = ET.parse('sample.xml')
root = tree.getroot()
for teks in list(root):
    teksMain = teks.findall('p').text
    print('main body:', teksMain)

没用。我的副任务是从 <p codej="obj:57654">.

中提取“obj:57654”

Answer 1

getroot() returns 单个元素， returns 列表是 findall() ，所以你应该迭代它。另外，我不确定为什么 findall('p') 找不到什么你想要，但 xpath 表达式 './/p' 确实如此，试试这个：

from xml.etree import cElementTree as ET
tree = ET.parse('sample.xml')
root = tree.getroot()
for teksMain in root.findall('.//p'):
    print('main body:', teksMain.text)

Answer 2

要获取 p 元素（包括 Person 子元素及其 .tail 的所有文本，请使用 itertext().

from xml.etree import ElementTree as ET
 
tree = ET.parse('sample.xml')
 
for p in tree.findall(".//p"):
    # Get all inner text 
    print("".join(t for t in p.itertext()))
 
    # Get the 'codej' attribute value (None if it does not exist)
    print(p.get("codej"))

输出：

Toiselle kierrokselle mennään, mikäli yksikään ehdokas ei ole saanut yli puolta ensimmäisellä kierroksella annetuista äänistä.
None
Vaaleissa ovat ehdokkaina Tuula Haatainen (sd.), Pekka Haavisto (vihr.), Laura Huhtasaari 
None
Varsinaisena vaalipäivänä vaalihuoneistot ovat auki tuttuun tapaan kello 9:n ja 20:n välisenä aikana. Tällöin on äänestettävä siinä paikassa, joka kotiin jaettuun äänestyskorttiin on merkitty. Osa äänestäjistä sai kortin kotiinsa jo ennen joulua.
obj:57654

提取 body/p 标签中的所有文本

Extract all text in body/p tag

python

xml

extract

elementtree

xml-parsing