python-xml/html解析问题_Python_Xml_Parsing_Lxml

python-xml/html解析问题

python xml parsing

python-xml/html解析问题,python,xml,parsing,lxml,Python,Xml,Parsing,Lxml,我需要将给定文件解析为字符串列表，给定的文件样式如下所示： <DOC> <DOCNUM> NUMBER </DOCNUM> <DOCTYPE> TYPE </DOCTYPE> <HEADER> &SOMETHING </HEADER> <BODY> <HEADLINE> SOME TEXT </HEADLINE> TEXT TEXT TEXT <TEXT&g

我需要将给定文件解析为字符串列表，给定的文件样式如下所示：

<DOC>
<DOCNUM> NUMBER </DOCNUM>
<DOCTYPE> TYPE </DOCTYPE>
<HEADER>
&SOMETHING
</HEADER>
<BODY>
<HEADLINE>
SOME TEXT
</HEADLINE>
TEXT
TEXT 
TEXT 
<TEXT>
<P>
INPUT TEXT1
</P>
<P>
INPUT TEXT2
</P>
.
.
.
</TEXT>
</BODY>
</DOC>


数
类型
&某物
一些文本
正文
正文
正文

输入文本1


输入文本2

.
.
.

我需要列出p标记外观中的所有TEXTi实例。我试着用lxmlxml解析器来做这件事，但是因为&在xml格式中有些东西是不可接受的，所以它不起作用。。。我尝试使用html解析器，但我没有弄清楚如何使其工作

有人知道有什么好办法让我得到我需要的名单吗

解析它似乎没有问题

>>> from bs4 import BeautifulSoup as BS
>>> from itertools import chain

>>> doc = BS('''<DOC>
<DOCNUM> NUMBER </DOCNUM>
<DOCTYPE> TYPE </DOCTYPE>
<HEADER>
&SOMETHING
</HEADER>
<BODY>
<HEADLINE>
SOME TEXT
</HEADLINE>
TEXT
TEXT 
TEXT 
<TEXT>
<P>

INPUT TEXT1
</P>
<P>
INPUT TEXT2
</P>
.
.
.
</TEXT>
</BODY>
</DOC>''')

>>> list(chain(*[list(p.stripped_strings) for p in doc.find_all('p')]))
[u'INPUT TEXT1', u'INPUT TEXT2']

>>从bs4导入BeautifulSoup作为BS
>>>来自itertools进口链
>>>doc=BS（“”）
数
类型
&某物
一些文本
正文
正文
正文

输入文本1


输入文本2

.
.
.
''')
>>>列表（链（*[文档中p的列表（p.stripped_字符串）查找所有（'p'）]））
[u'INPUT TEXT1'，u'INPUT TEXT2']

您可以使用模块

re

导入正则表达式函数：

import re
strr="<DOC> <DOCNUM> NUMBER </DOCNUM> <DOCTYPE> TYPE </DOCTYPE> <HEADER> &SOMETHING </HEADER> <BODY> <HEADLINE> SOME TEXT </HEADLINE> TEXT TEXT  TEXT  <TEXT> <P> INPUT TEXT1 </P> <P> INPUT TEXT2 </P> . . . </TEXT> </BODY> </DOC>"

arr = re.findall(r'<P>.*?</P>', strr)
print arr

重新导入
strr=“数字类型&一些文本输入文本1
输入文本2.”
arr=re.findall（r'*？'，strr）
打印arr

如果您没有嵌套的

标记（但是，任何其他标记都可以位于

标记中）
您可以使用recover=True
选项忽略
中的&
：
从lxml导入etree
doc=etree.parse（xmlish_文件，parser=etree.XMLParser（recover=True））
打印（[doc.iter（'p'）中p的p.text]
#->['\nINPUT TEXT1\n'，'\nINPUT TEXT2\n']

或者可以将其解析为html。如果您对
中的所有文本感兴趣；您可以使用.text\u content（）
而不是.text
：
从lxml导入html
doc=html.parse（xmlish_文件）
打印（[p.text_content（），用于文档iter（'p'）中的p）
#->['\nINPUT TEXT1\n'，'\nINPUT TEXT2\n']