Python 如何使用ElementTree获取元素的完整XML或HTML内容？

也就是说，所有的文本和子标签，没有一个元素本身的标签

拥有

<p>blah <b>bleh</b> blih</p>

废话

我想要

blah <b>bleh</b> blih

废话

element.text返回“blah”，etree.tostring（element）返回：

废话

ElementTree工作正常，您必须自己组装答案。像这样的

"".join( [ "" if t.text is None else t.text ] + [ xml.tostring(e) for e in t.getchildren() ] )

感谢JV amd PEZ指出错误

---

编辑

>将xml.etree.ElementTree导入为xml
>>>s='诸如此类
\n'
>>>t=xml.fromstring（s）
>>>“”.join（[t.text]+[xml.tostring（e）表示t.getchildren（）中的e）
“呜呜呜呜”
>>> 

---

不需要尾部。

不知道是否可以选择外部库，但无论如何——假设页面上有一个

，jQuery解决方案是：

alert($('p').html()); // returns blah <b>bleh</b> blih

alert（$（'p'）.html（））；//返回废话

我怀疑ElementTree是否是用于此目的的工具。但是假设您有充分的理由使用它，那么您可以尝试从片段中剥离根标记：

 re.sub(r'(^<%s\b.*?>|</%s\b.*?>$)' % (element.tag, element.tag), '', ElementTree.tostring(element))

re.sub（r'（^ |$）'%（element.tag，element.tag），“”，ElementTree.tostring（element））

这是我最终使用的解决方案：

def element_to_string(element):
    s = element.text or ""
    for sub_element in element:
        s += etree.tostring(sub_element)
    s += element.tail
    return s

---

这些都是很好的答案，回答了OP的问题，特别是当问题仅限于HTML时。但文档本身就很混乱，元素嵌套的深度通常无法预测

要模拟DOM的getTextContent（），必须使用（非常）简单的递归机制

要仅获取纯文本，请执行以下操作：

def get_deep_text( element ):
    text = element.text or ''
    for subelement in element:
        text += get_deep_text( subelement )
    text += element.tail or ''
    return text
print( get_deep_text( element_of_interest ))

要获取原始文本之间边界的所有详细信息，请执行以下操作：

root_el_of_interest.element_count = 0
def get_deep_text_w_boundaries( element, depth = 0 ):
    root_el_of_interest.element_count += 1
    element_no = root_el_of_interest.element_count 
    indent = depth * '  '
    text1 = '%s(el %d - attribs: %s)\n' % ( indent, element_no, element.attrib, )
    text1 += '%s(el %d - text: |%s|)' % ( indent, element_no, element.text or '', )
    print( text1 )
    for subelement in element:
        get_deep_text_w_boundaries( subelement, depth + 1 )
    text2 = '%s(el %d - tail: |%s|)' % ( indent, element_no, element.tail or '', )
    print( text2 )
get_deep_text_w_boundaries( root_el_of_interest )

LibreOffice Writer文档（.fodt文件）中单个段落的输出示例：

关于混乱的一点是，对于文本样式何时表示单词边界以及何时不表示单词边界，没有硬性规定：紧跟在单词后面的上标（没有空格）在我能想象的所有用例中都意味着一个单独的单词。例如，有时您可能会发现文档中的第一个字母出于某种原因以粗体显示，或者可能会对第一个字母使用不同的样式以大写形式表示，而不是简单地使用普通的UC字符

---

当然，这种讨论越不以“英语为中心”，其微妙性和复杂性就越大

这里的大多数答案都基于XML解析器

ElementTree

，甚至部分依赖ElementTree

---

所有这些都很好，适用于大多数用例，但为了完整起见，值得注意的是，

ElementTree.tostring（…）

将为您提供一个等效的代码片段，但并不总是与原始负载相同。如果出于某种非常罕见的原因，您希望按原样提取内容，则必须使用基于纯正则表达式的解决方案。这是我如何使用基于正则表达式的解决方案。

这个答案是对Pupeno的回答的轻微修改。在这里，我在“tostring”中添加了编码类型。这个问题花了我好几个小时。我希望这个小小的修正能帮助其他人

def element_to_string(element):
        s = element.text or ""
        for sub_element in element:
            s += ElementTree.tostring(sub_element, encoding='unicode')
        s += element.tail
        return s

---

只是指出了一个拼写错误的方法名——“finall”，我想应该是“findall”。即使使用findall，也会导致这种情况。请修改你的答案。我正在做一些类似的事情，但要看一看。实际上，您缺少尾部。尾部是构造的结束标记后的额外空白。如果没有文本或没有尾部，这将失败，不是吗？PEZ，是的，如果没有文本，它将失败，只是通过运行我的代码找到它并修复它。我有很多没有尾巴的例子，这并没有失败。不知道为什么。只是吹毛求疵：字符串上的+=性能较差。最好累积字符串和“”的列表。在末尾加入它。您可能希望递归并再次调用子元素上的

element\u to\u string

，以捕获所有文本，即

对于元素中的sub\u元素：s+=element\u to\u string（sub\u element）

root_el_of_interest.element_count = 0
def get_deep_text_w_boundaries( element, depth = 0 ):
    root_el_of_interest.element_count += 1
    element_no = root_el_of_interest.element_count 
    indent = depth * '  '
    text1 = '%s(el %d - attribs: %s)\n' % ( indent, element_no, element.attrib, )
    text1 += '%s(el %d - text: |%s|)' % ( indent, element_no, element.text or '', )
    print( text1 )
    for subelement in element:
        get_deep_text_w_boundaries( subelement, depth + 1 )
    text2 = '%s(el %d - tail: |%s|)' % ( indent, element_no, element.tail or '', )
    print( text2 )
get_deep_text_w_boundaries( root_el_of_interest )

(el 1 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'Standard'})
(el 1 - text: |Ci-après individuellement la "|)
  (el 2 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'T5'})
  (el 2 - text: |Partie|)
  (el 2 - tail: |" et ensemble les "|)
  (el 3 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'T5'})
  (el 3 - text: |Parties|)
  (el 3 - tail: |", |)
(el 1 - tail: |
   |)

def element_to_string(element):
        s = element.text or ""
        for sub_element in element:
            s += ElementTree.tostring(sub_element, encoding='unicode')
        s += element.tail
        return s