Python 用minidom从XML节点提取文本

我浏览了好几篇文章，但还没有找到解决我问题的答案

示例XML=

<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/>
</TextWithNodes>

我得到的只是

无

。我已经读到，您必须编写

a.childNodes.nodeValue

，但是节点列表中没有子节点，因为它看起来像所有

node

id都是关闭标记？如果我使用

a.childNodes

我会得到

[]

当我得到

a

的节点类型时，它是类型1，

TEXT\u节点

=3。我不确定这是否有用

---

我想从文档中提取

TEXT1

、

TEXT2

等

lxml

解决方案：

from lxml import etree
from StringIO import StringIO

xml = etree.parse(StringIO('''<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/></TextWithNodes>'''))

xml.xpath("//text()")
Out[43]: ['\n', 'TEXT1', 'TEXT2 ', 'TEXT3']

这里的问题是XML中的文本不属于任何节点。

使用（这类似于@DiegoNavrro在回答中使用的lxml，除了标准库的一部分中有etree，并且没有XPATH等），您可以尝试以下操作：

import xml.etree.ElementTree as etree

xml_string = """<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/>
</TextWithNodes>
"""

xml_etree = etree.fromstring(xml_string)

text = [element.tail for element in xml_etree]
# `text` will be ['TEXT1', 'TEXT2 ', 'TEXT3', '\n']

将xml.etree.ElementTree导入为etree
xml_string=“”
text1text2text3
"""
xml\u etree=etree.fromstring（xml\u string）
text=[element.tail用于xml\u etree中的元素]
#'text'将是['TEXT1'，'TEXT2'，'TEXT3'，'\n']

注意，这假设XML

TEXT1

。。。这是正确的。由于文本跟随结束标记，因此它将成为标记的尾部文本。不是元素nodeValue，这就是为什么在问题中的代码中得到

None

s

---

如果您想解析一些XML，如

TEXT1

，您必须将行

[element.tail for element in XML\u etree]

替换为

[element.text for element in XML\u etree]

您的任务应该使用ElementTree api而不是minidom（如其他答案所述），但是如果您需要使用minidom，这里有一个解决方案

您要查找的内容已添加到DOM级别3中，作为。Minidom仅支持级别1

但是，您可以使用此函数非常接近地模拟textContent：

def textContent(node):
    if node.nodeType in (node.TEXT_NODE, node.CDATA_SECTION_NODE):
        return node.nodeValue
    else:
        return ''.join(textContent(n) for n in node.childNodes)

然后您可以这样使用：

x = minidom.parseString("""<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/></TextWithNodes>""")

twn = x.getElementsByTagName('TextWithNodes')[0]

assert textContent(twn) == u'\nTEXT1TEXT2 TEXT3'

x=minidom.parseString（“”）
text1text2text3“”）
twn=x.getElementsByTagName（'TextWithNodes'）[0]
断言textContent（twn）==u'\nTEXT1TEXT2 TEXT3'

---

注意我是如何获得父节点的文本内容的

TextWithNodes

。这是因为您的

节点

元素是这些文本节点的兄弟节点，而不是它们的父节点。

您的

TEXT1

、

TEXT2

等实际上不是任何元素的参与方。您的XML应该是

TEXT1TEXT2TEXT3

？另外，还有一个结束标记吗？另外，我强烈建议使用（标准库的一部分）在Python中处理XML。它是一个简单得多的Python接口。例如，在

xml.dom

中，您必须使用

element.childNodes.nodeValue

来获取与

元素相关联的文本，在etree中，这只是
element.text
。嗨，克里斯，谢谢，这正是我所想的，因为所有的结束标记都让我感到困惑。我不确定这个xml文件有多有效，它只是一个文本工程软件的输出，用于注释，我需要将其解析为excel。我将查看ElementTree。更准确地说，XML中的文本属于
TextWithNodes
元素，但不属于
Node
元素。文本节点和
节点
元素是兄弟节点，而不是父子元素。谢谢@FrancisAvila，我仍在尝试在xml结构的头脑中进行组织，这真的很有帮助@茉莉，可能是这样。我在末尾添加了
。如果您尝试我的代码，它会工作。当我尝试提取特定节点的文本时，我得到“无”？是的，因为XML中的节点是空的：
与
相同。你应该写一些东西，比如
TEXT1
文本提取到哪里？我不明白你说的“提取到”是什么意思。文本由
textContent
函数返回。
def textContent(node):
    if node.nodeType in (node.TEXT_NODE, node.CDATA_SECTION_NODE):
        return node.nodeValue
    else:
        return ''.join(textContent(n) for n in node.childNodes)

x = minidom.parseString("""<TextWithNodes>
<Node id="0"/>TEXT1<Node id="19"/>TEXT2 <Node id="20"/>TEXT3<Node id="212"/></TextWithNodes>""")

twn = x.getElementsByTagName('TextWithNodes')[0]

assert textContent(twn) == u'\nTEXT1TEXT2 TEXT3'