如何在条件（Python）下连接XML标记？

我有一个如下结构的XML文件：

<?xml version="1.0" encoding="utf-8" ?>
    <pages>
    <page id="1" bbox="0.000,0.000,462.047,680.315" rotate="0">
    <textbox id="0" bbox="179.739,592.028,261.007,604.510">
    <textline bbox="179.739,592.028,261.007,604.510">
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">C</text>
    <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">A</text>
    <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">P</text>
    <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">I</text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">T</text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">O</text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">L</text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">O</text>
    <text> </text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
    <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
    <text>
    </text>
    </textline>
    </textbox>
</page>
</pages>

import xml.etree.ElementTree as ET

MY_XML = ET.parse('fe.xml')

textlines = MY_XML.findall("./page/textbox/textline")

for textline in textlines:
    fulltext = []
    for text_elem in list(textline):
        # Get the text of each 'text' element and then remove it
        fulltext.append(text_elem.text)
        textline.remove(text_elem)

    # Create a new 'text' element and add the joined letters to it
    new_text_elem = ET.Element("text", font="NUMPTY+ImprintMTnum", ncolour="0", size="12.482")
    new_text_elem.text = "".join(fulltext).strip()

    # Append the new 'text' element to its parent
    textline.append(new_text_elem)

print(ET.tostring(MY_XML.getroot(), encoding="unicode"))

---

但它只对一个标签有效。我想我需要设置一个条件，以便for循环检查所有标记，但我还没有在web上找到关于如何执行该操作的信息。如何包含其他标签？非常感谢

为什么

新文本元素

是具有固定属性的硬编码元素？您不知道要分配哪些属性

尝试以下方法。创建另一个将所有标记写入字典的内部for循环。您也可以迭代标记

对于下一个元素，请检查字典中是否有所有标记，以及它们是否相同。阅读有关字典比较的内容，或者只需迭代键并与

=

进行比较

如果它们相同，则将该元素添加到迄今为止找到的相同元素列表中。然后检查下一个元素

如果它们不相同，则将列表中的所有元素添加为新元素，并合并文本。然后清除列表并重新开始

摘要：

• 您可以遍历
  元素
• 在列表中存储所有具有相同标记的连续
  元素
• 将它们一个接一个地存储在列表中可以保持顺序
• 遇到第一个不同的
  元素后，首先编写存储的元素，使用它们存储的标记和值连接它们的文本
• 清除存储列表并重复

---

为什么

新文本元素

是具有固定属性的硬编码元素？您不知道要分配哪些属性

尝试以下方法。创建另一个将所有标记写入字典的内部for循环。您也可以迭代标记

对于下一个元素，请检查字典中是否有所有标记，以及它们是否相同。阅读有关字典比较的内容，或者只需迭代键并与

=

进行比较

如果它们相同，则将该元素添加到迄今为止找到的相同元素列表中。然后检查下一个元素

如果它们不相同，则将列表中的所有元素添加为新元素，并合并文本。然后清除列表并重新开始

摘要：

• 您可以遍历
  元素
• 在列表中存储所有具有相同标记的连续
  元素
• 将它们一个接一个地存储在列表中可以保持顺序
• 遇到第一个不同的
  元素后，首先编写存储的元素，使用它们存储的标记和值连接它们的文本
• 清除存储列表并重复

---

以下是您需要实现的核心逻辑
它不是一个端到端的解决方案，但它关注核心逻辑

import xml.etree.ElementTree as ET


xml = '''<?xml version="1.0" encoding="utf-8" ?>
<pages>
    <page id="1" bbox="0.000,0.000,462.047,680.315" rotate="0">
        <textbox id="0" bbox="179.739,592.028,261.007,604.510">
            <textline bbox="179.739,592.028,261.007,604.510">
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">C</text>
                <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">A</text>
                <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">P</text>
                <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">I</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">T</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">O</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">L</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">O</text>
                <text> </text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
                <text>
                </text>
            </textline>
        </textbox>
    </page>
</pages>'''
words = []
root = ET.fromstring(xml)
pages = root.findall('.//page')
for page in pages:
    previous_key = None
    current_key = None
    texts = page.findall('.//text')
    for txt in texts:
        if previous_key:
            current_key = (txt.attrib.get('font',previous_key[0]),txt.attrib.get('size',previous_key[1]))
        else:
            current_key = (txt.attrib.get('font','empty'),txt.attrib.get('size','empty'))
        if current_key != previous_key:
            words.append([])
        words[-1].append(txt.text)
        previous_key = current_key

for group in words:
    if group:
        print(''.join(group))

---

下面是您需要实现的核心逻辑
它不是一个端到端的解决方案，但它关注核心逻辑

import xml.etree.ElementTree as ET


xml = '''<?xml version="1.0" encoding="utf-8" ?>
<pages>
    <page id="1" bbox="0.000,0.000,462.047,680.315" rotate="0">
        <textbox id="0" bbox="179.739,592.028,261.007,604.510">
            <textline bbox="179.739,592.028,261.007,604.510">
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">C</text>
                <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">A</text>
                <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">P</text>
                <text font="NUMPTY+ImprintMTnum-it"  ncolour="0" size="12.333">I</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">T</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">O</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">L</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">O</text>
                <text> </text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
                <text font="NUMPTY+ImprintMTnum"  ncolour="0" size="12.482">I</text>
                <text>
                </text>
            </textline>
        </textbox>
    </page>
</pages>'''
words = []
root = ET.fromstring(xml)
pages = root.findall('.//page')
for page in pages:
    previous_key = None
    current_key = None
    texts = page.findall('.//text')
    for txt in texts:
        if previous_key:
            current_key = (txt.attrib.get('font',previous_key[0]),txt.attrib.get('size',previous_key[1]))
        else:
            current_key = (txt.attrib.get('font','empty'),txt.attrib.get('size','empty'))
        if current_key != previous_key:
            words.append([])
        words[-1].append(txt.text)
        previous_key = current_key

for group in words:
    if group:
        print(''.join(group))

---

谢谢你的回答，不过还不太清楚。。。“下一个元素”是什么意思？因为我希望文本的顺序与我找到的相同，所以我不明白如何保证这一点，因为我只是在比较标记（如果我理解得很好的话），我在答案的底部添加了一个列表。再次感谢你，但我不知道如何比较XML标记。。。我在网上查过，什么也没找到。你知道怎么读吗？它们在XML中称为属性。一旦你知道如何阅读它们，你就可以对它们进行比较，比如

is_same=“12.482”==some_attribute

查找

child.attrib

谢谢你的回答，不过还不太清楚。。。“下一个元素”是什么意思？因为我希望文本的顺序与我找到的相同，所以我不明白如何保证这一点，因为我只是在比较标记（如果我理解得很好的话），我在答案的底部添加了一个列表。再次感谢你，但我不知道如何比较XML标记。。。我在网上查过，什么也没找到。你知道怎么读吗？它们在XML中称为属性。一旦你知道如何阅读它们，你就可以比较它们，比如

is_same=“12.482”==一些属性

查找

child.attrib

非常感谢！但是我的输出和你发布的不一样，我想知道为什么！但是它真的很有用。所以，它没有保留标签，这对我很重要，因为我需要知道文本的字体大小。我的答案只包括核心逻辑。我以为你能从这里拿走。非常感谢！但是我的输出和你发布的不一样，我想知道为什么！但是它真的很有用。所以，它没有保留标签，这对我很重要，因为我需要知道文本的字体大小。我的答案只包括核心逻辑。我以为你能从这里拿走它。

C
API
TOLO III