使用Python'；s xml.etree以查找元素开始和结束字符偏移量

我有如下XML数据：

<xml>
The captial of <place pid="1">South Africa</place> is <place>Pretoria</place>.
</xml>

南非的首都是比勒陀利亚。

我希望能够提取：

当前在etree中提供的XML元素

文档的完整纯文本，位于开始标记和结束标记之间

每个起始元素在纯文本中的位置，作为字符偏移量

（3） 是目前最重要的要求,；etree提供（1）罚款

我看不到任何直接执行（3）的方法，但希望遍历文档树中的元素将返回许多可以重新组合的小字符串，从而提供（2）和（3）。但是，请求根节点的.text只返回根节点和第一个元素之间的文本，例如“的大写字母”

使用SAX执行（1）可能需要实现很多已经编写过多次的内容，例如minidom和etree。使用lxml不是此代码要进入的包的选项。有人能帮忙吗？

（2）使用SAX很容易，请看这个片段

from xml.sax.handler import ContentHandler
import xml.sax
import sys

class textHandler(ContentHandler):
    def characters(self, ch):
        sys.stdout.write(ch.encode("Latin-1"))

parser = xml.sax.make_parser()
handler = textHandler()
parser.setContentHandler(handler)
parser.parse("test.xml")

或者本书中的示例1-1:bookhandler.py

---

（3） 更为棘手的是，请参考此线程，它是Java，但Python SAX api中应该有类似的东西，您需要查看

.tail

属性以及

.text

：

.text

直接在开始标记后提供文本，

.tail

直接在结束标记后提供文本。这将为您提供“许多小字符串”

提示：您可以使用

etree.iterwalk（elem）

（与

etree.iterparse（）

执行相同的操作，但要在现有的树上执行），以迭代开始和结束标记。对于这个想法：

for event, elem in etree.iterwalk(xml_elem, events=('start', 'end')):
    if event == 'start':
        # it's a start tag
        print 'starting element', elem.tag
        print elem.text
    elif event == 'end':
        # it's an end tag
        print 'ending element', elem.tag
        if elem is not xml_elem:
            # dont' want the text trailing xml_elem
            print elem.tail

我想你可以自己完成剩下的？ 警告：

.text

和

.tail

可以是

None

，因此如果要连接，则必须防止出现这种情况（例如，使用

（elem.text或“”）

）

如果您熟悉sax（或拥有满足您需要的现有sax代码），lxml允许您：

从一个元素中提取所有文本时，还需要寻找其他一些东西：

.itertext（）

方法、xpath表达式

//text（）

（lxml允许您从xpath表达式返回“智能字符串”：它们允许您检查它们属于哪个元素等

iterparse（）

函数在

xml.etree

中提供：

import xml.etree.cElementTree as etree

for event, elem in etree.iterparse(file, events=('start', 'end')):
    if event == 'start':
       print(elem.tag) # use only tag name and attributes here
    elif event == 'end':
       # elem children elements, elem.text, elem.tail are available
       if elem.text is not None and elem.tail is not None:
          print(repr(elem.tail))

另一个选项是重写

etree.TreeBuilder（）的
start（）
、
data（）
、
end（）
方法：

从xml.etree.ElementTree导入XMLParser，TreeBuilder
类MyTreeBuilder（TreeBuilder）：
def启动（自身、标签、属性）：
打印（“%s>”%tag）
return TreeBuilder.start（self、tag、attrs）
def数据（自身、数据）：
打印（报告（数据））
TreeBuilder.data（self，data）
def端（自身，标签）：
return TreeBuilder.end（self，tag）
text=”“”
南非的首都是比勒陀利亚。
"""
#ElementTree.fromstring（）
parser=XMLParser（target=MyTreeBuilder（））
parser.feed（文本）
root=parser.close（）#返回一个普通元素

输出

“\n的资本”
“南非”
“是”
“比勒陀利亚”
“.\n”
（3）可以通过以下方式完成：

import xml.etree.ElementTree as ET

class MyTreeBuilder(ET.TreeBuilder):
    def start(self, tag, attrs):
        print(parser.parser.CurrentByteIndex)
        ET.TreeBuilder.start(self, tag, attrs)

builder = MyTreeBuilder()
parser = ET.XMLParser(target=builder)
builder.parser = parser
tree = ET.parse('test.xml', parser=parser)

有关SAX替代方案，请参见。但是请注意，字节索引与字符索引不同，在Python中可能没有有效的方法将字节索引转换为字符索引。（另见。）

获取字符偏移量而不是字节偏移量的一个（公认的丑陋）解决方法是将字节重新编码为字符。假设实际编码为utf8：

import xml.etree.ElementTree as ET

class MyTreeBuilder(ET.TreeBuilder):
    def start(self, tag, attrs):
        print(parser.parser.CurrentByteIndex)
        ET.TreeBuilder.start(self, tag, attrs)

builder = MyTreeBuilder()
parser = ET.XMLParser(target=builder)
builder.parser = parser
with open('test.xml', 'rb') as f:
    parser.feed(f.read().decode('latin1').encode('utf8'))

谢谢（2） （3）使用SAX肯定更容易。上一次遇到这个问题时，我同时使用了SAX和minidom，但是将这两种方法的结果对齐是一个不值得解决的问题。如果我能很容易地做到（1），我会转向SAX。你知道有什么方法吗？谢谢！这看起来很完美——尽管我只能在lxml中找到iterwalk，而不能找到与Python捆绑在一起的ElementTree。我找错地方了吗？你是对的，它只在lxml中。对不起，我太习惯使用lxml了，我以为你也是。（试一试，太棒了）。但是您应该能够使用方法
elem自己制作一些东西。text
可能在
event==“start”
@Leon Derczynski处不可用：
iterparse（）
在所有使用
xml.etree的Python版本上都可用。Sebastian:
iterparse（）
是，但
iterwalk（）
仅在lxml中。这非常有用。非常感谢。
<xml>
'\nThe captial of '
<place>
'South Africa'
' is '
<place>
'Pretoria'
'.\n'

import xml.etree.ElementTree as ET

class MyTreeBuilder(ET.TreeBuilder):
    def start(self, tag, attrs):
        print(parser.parser.CurrentByteIndex)
        ET.TreeBuilder.start(self, tag, attrs)

builder = MyTreeBuilder()
parser = ET.XMLParser(target=builder)
builder.parser = parser
tree = ET.parse('test.xml', parser=parser)

import xml.etree.ElementTree as ET

class MyTreeBuilder(ET.TreeBuilder):
    def start(self, tag, attrs):
        print(parser.parser.CurrentByteIndex)
        ET.TreeBuilder.start(self, tag, attrs)

builder = MyTreeBuilder()
parser = ET.XMLParser(target=builder)
builder.parser = parser
with open('test.xml', 'rb') as f:
    parser.feed(f.read().decode('latin1').encode('utf8'))