如何在Python中的两个xml标记之间获取整个内容？

我尝试在开始的xml标记和结束的xml标记之间获取整个内容

在像下面的

标题

这样的直格中获取内容很容易，但是如果使用混合内容并且我想保留内部标记，如何在标记之间获取整个内容

<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
  <text sometimes="attribute">Some text with <extradata>data</extradata> in it.
  It spans <sometag>multiple lines: <tag>one</tag>, <tag>two</tag> 
  or more</sometag>.</text>
</review>

一些测试材料
一些包含数据的文本。
它跨越多条线：一、二
或者更多。

我想要的是两个

text

标记之间的内容，包括任何标记：

一些包含数据的文本。它跨越多行：一行、两行或多行。

---

现在我使用正则表达式，但它有点混乱，我不喜欢这种方法。我倾向于基于XML解析器的解决方案。我查看了

minidom

、

etree

、

lxml

和

BeautifulSoup

，但没有找到解决此问题的方法（整个内容，包括内部标记）。

刚刚找到了解决方案，非常简单：

In [31]: t = x.find('text')

In [32]: t
Out[32]: <Element text at 0xa87ed74>

In [33]: list(t.itertext())
Out[33]: ['Some text with ', 'data', ' in it.']

In [34]: ''.join(_)
Out[34]: 'Some text with data in it.'

[31]中的

：t=x.find（'text'））
In[32]：t
出[32]：
在[33]中：列表（t.itertext（））
Out[33]：[“某些文本中有”“数据”“，”。]
在[34]中：''.join（u）
Out[34]：“一些包含数据的文本。”

itertext

绝对是这条路

---

编辑：//对不起，我以为你只想要孩子们之间的文字，我的坏

这里有一些对我和你的样本都有效的东西：

from lxml import etree
doc = etree.XML(
"""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
  <text>Some text with <extradata>data</extradata> in it.</text>
</review>"""
)

def flatten(seq):
  r = []
  for item in seq:
    if isinstance(item,(str,unicode)):
      r.append(unicode(item))
    elif isinstance(item,(etree._Element,)):
      r.append(etree.tostring(item,with_tail=False))
  return u"".join(r)

print flatten(doc.xpath('/review/text/node()'))

从lxml导入etree
doc=etree.XML(
"""
一些测试材料
一些包含数据的文本。
"""
)
def展平（序号）：
r=[]
对于序号中的项目：
如果isinstance（项，（str，unicode））：
r、 附加（unicode（项目））
elif isinstance（项目（etree.\U元素）如下所示：
r、 追加（etree.tostring（项，带\u tail=False））
返回u“”。加入（r）
打印展开（doc.xpath（'/review/text/node（）'））

收益率：

Some text with <extradata>data</extradata> in it.

一些包含数据的文本。

xpath选择

元素的所有子节点，如果它们是字符串/unicode子类（

），则直接将它们呈现为unicode；如果是

元素，则调用
etree.tostring
，
with_tail=False
可避免尾部重复

如果存在其他节点类型，您可能需要处理它们。
这对于*，使用
parse（）
和
tostring（）
函数非常容易：

from  lxml.etree import parse, tostring

首先解析文档并获取元素（我使用的是XPath，但您可以使用任何您想要的内容）：

tostring（）
函数返回元素的文本表示形式：

>>> tostring(element)
'<text>Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'

请注意，
str.replace（）
接收到1作为第三个参数，因此它将只删除第一个出现的开始标记。一个人也可以用结束标记来完成。现在，我们通过-1代替1：

>>> tostring(element).replace('</%s>'%element.tag, '', -1)
'<text>Some <text>text with <extradata>data</extradata> in it.\n'

获取第二个结果字符串：

>>> tostring(element).split('>', 1)[1]
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'

>>>tostring（元素）.split（'>'，1）[1]
'一些包含数据的文本。\n'

然后再拆分它：

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)
['Some <text>text</text> with <extradata>data</extradata> in it.', 'text>\n']

>>tostring（元素）.split（'>'，1）[1].rsplit（'\n']

最后得到第一个结果：

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)[0]
'Some <text>text</text> with <extradata>data</extradata> in it.'

>>tostring（元素）.split（'>'，1）[1].rsplit（'
或：

[6]中的
：e=t.xpath（'//text'）[0]
在[7]中：（e.text+''.join（map（etree.tostring，e））.strip（）
Out[7]：“一些包含数据的文本。”
我喜欢上面@Marcin的解决方案，但是我发现当使用他的第二个选项（转换子节点，而不是树的根）时，它不会处理实体

上面的His代码（修改为添加实体）：

使用裸/未转义的“&”字符而不是正确的实体（“&；”）

我的解决方案是使用在节点级别（而不是在所有子节点上）调用etree.tostring，然后使用正则表达式去除开始和结束标记：

import re
from lxml import etree
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
    <text>this &amp; that.</text>
</review>""")

e = t.xpath('//text')[0]
xml = etree.tostring(e)
inner = re.match('<[^>]*?>(.*)</[^>]*>\s*$', xml, flags=re.DOTALL).group(1)
print inner

我使用re.DOTALL来确保它适用于包含换行符的XML。
我想，我可以通过
x.find（'text'）.get_text（）获得相同的结果
。但是这种方法排除了内部标记，我需要它们。实际上，这并不能以任何方式解决OP问题。它需要维护内部标记。它确实维护内部标记，只是不超过一个级别，请参见我的编辑，
itertext
get的Everything迭代所有子级，而不仅仅是文本。文本替换是这里增加了很多脆弱性。如果您的输入文件上碰巧有属性？名称空间前缀？我觉得使用这种方法，我不会比纯正则表达式获得太多好处。因为开始标记至少有一个属性，它也会变得脆弱。
replace（“”%element.tag，，-1）
应该可以工作，但我不能使用
.replace（'%element.tag'，1）
因为有一个或多个属性，所以我必须再次使用regex（或者类似于
内容[content.index（'>'）：]
）等。这可以写得更简洁。使用这一行：
'.join（el if isinstance（el，str）els lxml.etree.tostring）（el，带_tail=False）用于doc.xpath（'/review/text/node（）'）中的el
你可能只是不加区别地使用
tostring
。@Marcin:当我尝试时，
tostring
抱怨它无法序列化
\u ElementStringResult
OP想要获取特定元素的内容。你的解决方案在这种情况下不起作用，至少不能直接使用。我得到了一个带有
e的元素=t.xpath（'//text'）[0]
并尝试了它（
'.join（map（etree.tostring，e））
），但结果是
'data in it.
。
需要在更多的情况下进行测试，但您的最后一个示例对我来说效果很好（到目前为止）。当使用
find
而不是
xpath
时，它也适用于标准的
etree
。
>>> tostring(element).split('>', 1)[1]
'Some <text>text</text> with <extradata>data</extradata> in it.</text>\n'

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)
['Some <text>text</text> with <extradata>data</extradata> in it.', 'text>\n']

>>> tostring(element).split('>', 1)[1].rsplit('</', 1)[0]
'Some <text>text</text> with <extradata>data</extradata> in it.'

from lxml import etree
t = etree.XML(
"""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
  <text>Some text with <extradata>data</extradata> in it.</text>
</review>"""
)
(t.text + ''.join(map(etree.tostring, t))).strip()

In [50]: (t.text + ''.join(map(etree.tostring, t))).strip()
Out[50]: '<title>Some testing stuff</title>\n  <text>Some text with <extradata>data</extradata> in it.</text>'

In [6]: e = t.xpath('//text')[0]

In [7]: (e.text + ''.join(map(etree.tostring, e))).strip()
Out[7]: 'Some text with <extradata>data</extradata> in it.'

from lxml import etree
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
    <text>this &amp; that.</text>
</review>""")
e = t.xpath('//text')[0]
print (e.text + ''.join(map(etree.tostring, e))).strip()

this & that.

import re
from lxml import etree
t = etree.XML("""<?xml version="1.0" encoding="UTF-8"?>
<review>
  <title>Some testing stuff</title>
    <text>this &amp; that.</text>
</review>""")

e = t.xpath('//text')[0]
xml = etree.tostring(e)
inner = re.match('<[^>]*?>(.*)</[^>]*>\s*$', xml, flags=re.DOTALL).group(1)
print inner

this &amp; that.