如何使用 ElementTree 获取元素的完整 XML 或 HTML 内容？

Question

也就是说，所有的文本和子标签，没有元素本身的标签？

拥有

<p>blah <b>bleh</b> blih</p>

我要

blah <b>bleh</b> blih

element.text 返回 "blah " 和 etree.tostring(element) 返回：

<p>blah <b>bleh</b> blih</p>

Answer 1

ElementTree 完美运行，您必须自己组装答案。 像这样的东西...

"".join( [ "" if t.text is None else t.text ] + [ xml.tostring(e) for e in t.getchildren() ] )

感谢 JV amd PEZ 指出错误。

---

编辑。

>>> import xml.etree.ElementTree as xml
>>> s= '<p>blah <b>bleh</b> blih</p>\n'
>>> t=xml.fromstring(s)
>>> "".join( [ t.text ] + [ xml.tostring(e) for e in t.getchildren() ] )
'blah <b>bleh</b> blih'
>>> 

不需要尾巴。

Answer 2

这是我最终使用的解决方案：

def element_to_string(element):
    s = element.text or ""
    for sub_element in element:
        s += etree.tostring(sub_element)
    s += element.tail
    return s

Answer 3

这些是很好的答案，可以回答 OP 的问题，特别是如果问题仅限于 HTML。 但是文档本质上是杂乱无章的，元素嵌套的深度通常是无法预测的。

要模拟 DOM 的 getTextContent()，您必须使用（非常）简单的递归机制。

只获取裸文本：

def get_deep_text( element ):
    text = element.text or ''
    for subelement in element:
        text += get_deep_text( subelement )
    text += element.tail or ''
    return text
print( get_deep_text( element_of_interest ))

要获取有关原始文本之间边界的所有详细信息：

root_el_of_interest.element_count = 0
def get_deep_text_w_boundaries( element, depth = 0 ):
    root_el_of_interest.element_count += 1
    element_no = root_el_of_interest.element_count 
    indent = depth * '  '
    text1 = '%s(el %d - attribs: %s)\n' % ( indent, element_no, element.attrib, )
    text1 += '%s(el %d - text: |%s|)' % ( indent, element_no, element.text or '', )
    print( text1 )
    for subelement in element:
        get_deep_text_w_boundaries( subelement, depth + 1 )
    text2 = '%s(el %d - tail: |%s|)' % ( indent, element_no, element.tail or '', )
    print( text2 )
get_deep_text_w_boundaries( root_el_of_interest )

LibreOffice Writer 文档（.fodt 文件）中单个段的示例输出：

(el 1 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'Standard'})
(el 1 - text: |Ci-après individuellement la "|)
  (el 2 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'T5'})
  (el 2 - text: |Partie|)
  (el 2 - tail: |" et ensemble les "|)
  (el 3 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'T5'})
  (el 3 - text: |Parties|)
  (el 3 - tail: |", |)
(el 1 - tail: |
   |)

关于混乱的一点是，关于文本样式何时指示词边界以及何时不指示没有硬性规定：紧跟在一个词之后的上标（没有空格）意味着在所有用例中都是一个单独的词我可以想象一下。 OTOH 有时您可能会发现，例如，由于某种原因第一个字母被加粗的文档，或者可能使用不同样式的第一个字母将其表示为大写，而不是简单地使用普通的 UC 字符。

当然，这种讨论越不以“以英语为中心”，其微妙之处和复杂性就越大！

Answer 4

我怀疑 ElementTree 是否适合用于此目的。 但是假设您有充分的理由使用它，也许您可​​以尝试从片段中剥离根标记：

 re.sub(r'(^<%s\b.*?>|</%s\b.*?>$)' % (element.tag, element.tag), '', ElementTree.tostring(element))

Answer 5

这里的大多数答案都基于 XML 解析器ElementTree ，即使是PEZ 的基于正则表达式的答案仍然部分依赖于 ElementTree。

所有这些都很好并且适用于大多数用例，但是，为了完整性，值得注意的是， ElementTree.tostring(...)将为您提供等效的代码段，但并不总是与原始有效负载相同。 如果出于某种非常罕见的原因，您想按原样提取内容，则必须使用基于正则表达式的纯解决方案。 这个例子是我如何使用基于正则表达式的解决方案。

Answer 6

这个答案稍微修改了Pupeno 的回复。 在这里，我将编码类型添加到“tostring”中。 这个问题花了我很多小时。 我希望这个小小的更正能帮助其他人。

def element_to_string(element):
        s = element.text or ""
        for sub_element in element:
            s += ElementTree.tostring(sub_element, encoding='unicode')
        s += element.tail
        return s

Answer 7

不知道是否可以选择外部库，但无论如何 - 假设页面上有一个带有此文本的<p> ，jQuery 解决方案将是：

alert($('p').html()); // returns blah <b>bleh</b> blih