HTML innerhalb Knoten mit ElementTree

StackOverflow https://stackoverflow.com/questions/1088476

  •  23-08-2019
  •  | 
  •  

Frage

Ich verwende ElementTree eine XML-Datei zu analysieren. In einigen Bereichen wird es HTML-Daten sein. Betrachten wir zum Beispiel eine Erklärung wie folgt: 

<Course>
    <Description>Line 1<br />Line 2</Description>
</Course>

Nun _course Annahme ist ein Element Variable, die dieses Element Couse halten. Ich mag diesen Kurs Beschreibung zuzugreifen, so dass ich tun: 

desc = _course.find("Description").text;

Aber dann ab enthält nur „Linie 1“. Ich las etwas über das .tail Attribut, also versuchte ich auch: 

desc = _course.find("Description").tail;

Und ich bekomme die gleiche Leistung. Was soll ich tun, um desc seine „Linie 1 | Zeile 2“ (oder buchstäblich alles zwischen und) zu machen? Mit anderen Worten, ich bin auf der Suche nach etwas ähnlich der .innerText Eigenschaft in C # (und vielen anderen Sprachen, die ich denke).

War es hilfreich?

Lösung

Haben Sie eine Kontrolle über die Erstellung der XML-Datei? Der Inhalt von XML-Tags, die XML-Tags (oder ähnliche) enthalten, oder Markup-Zeichen ( ‚<‘, usw.) sollte dieses Problem zu vermeiden codiert werden. Sie können dies entweder mit:

  • CDATA Abschnitt
  • Base64 oder eine andere Codierung (das ist xml reservierte Zeichen nicht)
  • Entity-Codierung ( '<' == '&lt;')

Wenn Sie nicht diese Änderungen vornehmen können, und ElementTree können momentan keine Tags ignorieren nicht im XML-Schema enthalten, dann werden Sie vorverarbeitet, haben Sie die Datei. Natürlich bist du kein Glück, wenn das Schema html überlappt.

Andere Tipps

Sie versuchen das Schwanz-Attribut aus dem falschen Elemente zu lesen. Versuchen 

desc = _course.find("br").tail;

Das Schwanz-Attribut wird verwendet, um Text-Knoten zu speichern Hinter wenn gemischten Inhalt XML-Dateien zu lesen; Text, der direkt nach einem Elemente folgt ist im Heck Attribute für das Element gespeichert: 

    <tag><elem>this goes into elem's
    text attribute</elem>this goes into
    elem's tail attribute</tag>

Einfacher Code-Schnipsel drucken Text und Schwanz Attribute von allen Elementen in XML / XHTML. 

import xml.etree.ElementTree as ET

def processElem(elem):
    if elem.text is not None:
        print elem.text
    for child in elem:
        processElem(child)
        if child.tail is not None:
            print child.tail

xml = '''<Course>
    <Description>Line 1<br />Line 2 <span>child text </span>child tail</Description>
    </Course>'''

root = ET.fromstring(xml)
processElem(root)

Ausgabe: 

Line 1
Line 2 
child text 
child tail

Siehe http://code.activestate.com/recipes/498286- elementtree-text-Helfer / für eine bessere Lösung. Es kann geändert werden, gerecht zu werden.

P. S. Ich änderte meinen Namen von user839338 wie im nächsten Post zitiert

Charaktere wie "<" und "&" ist illegal in XML-Elementen.

„<“ wird ein Fehler generiert, da der Parser es als Beginn eines neuen Elements interpretiert.

„&“ wird ein Fehler generiert, da der Parser es als Beginn einer Entity interpretiert.

Ein Text, wie JavaScript-Code enthält eine Menge "<" oder "&" Zeichen. Um Fehler zu vermeiden, Script-Code kann als CDATA definiert werden.

Alles in einem CDATA-Abschnitt vom Parser ignoriert wird.

Ein CDATA-Abschnitt beginnt mit "":

Weitere Informationen unter: http://www.w3schools.com/xmL/xml_cdata.asp

Hope, das hilft!

Inspiriert von user839338 Antwort , ich wen't und sah für eine vernünftige Lösung, die ein bisschen wie folgt aussieht. 

>>> from xml.etree import ElementTree as etree
>>> corpus = '''<Course>
...     <Description>Line 1<br />Line 2</Description>
... </Course>'''
>>> 
>>> doc = etree.fromstring(corpus)
>>> desc = doc.find("Description")
>>> desc.tag = 'html'
>>> etree.tostring(desc)
'<html>Line 1<br/>Line 2</html>\n'
>>>

Es gibt keinen einfachen Weg, um den umliegenden Tag (ursprünglich <Description>) zu beseitigen, aber es ist leicht in etwas geändert, die bei Bedarf verwendet werden könnte, zum Beispiel <div> oder <span>

Lizenziert unter: CC-BY-SA mit Zuschreibung
Nicht verbunden mit StackOverflow
scroll top