使用lxml解析時，方括號上的字符串斷開

Question

我是lxml解析的新手，無法管理簡單的解析問題。 我的xml中的一行看起來像：

The IgM BCR is essential for survival of peripheral B cells [<xref ref-type="bibr" rid="CR34">34</xref>]. In the absence of BTK B cell...

所以，當我執行以下代碼時：

e = open('somexml.xml', encoding='utf8')

tree = etree.parse(e)

titles = tree.xpath('/pmc-articleset/article/front/article-meta/title-group/article-title')

for node in titles:
    text = tree.xpath('/pmc-articleset/article/body/sec/p')

    for node in text:
        content = str(node.text).encode("utf-8")
        s = str(' '.join(lxml.html.fromstring(content).xpath("//text()")).encode('latin1'))
        print (s)

結果如下：

The IgM BCR is essential for survival of peripheral B cells ['

即使我只打印node.text而沒有任何“join”命令，結果看起來也很相似。

如何跳過方括號部分並收到完整的字符串？ 任何幫助將不勝感激！

Answer 1

]. In the absence of BTK B cell... ]. In the absence of BTK B cell...是<xref>元素的tail屬性的值。 請參閱http://infohost.nmt.edu/tcc/help/pubs/pylxml/web/etree-view.html 。

方括號沒有什么特別之處; 他們只是人物。

使用itertext()您可以獲取元素及其后代的文本內容。 tail內容默認包含在內。 請參閱http://lxml.de/api/lxml.etree._Element-class.html#itertext 。

小演示：

from lxml import etree

xml = "<p>TEXT <xref>34</xref>TAIL</p>"
p = etree.fromstring(xml)

print(p.text)
print(''.join(p.itertext()))
print(p.text + p.find("xref").tail)

輸出：

TEXT 
TEXT 34TAIL
TEXT TAIL

Answer 2

嘗試這些方面的東西：

e = open('somexml.xml', encoding='utf8')

tree = etree.parse(e)

titles = tree.xpath('/pmc-articleset/article/front/article-meta/title-group/article-title')

for title in titles:
    ps = title.xpath('/pmc-articleset/article/body/sec/p')

    for p in ps:
        text = ''.join(p.itertext())
        print(text)