Python: Extrait HTML à partir d'un fichier XML

Question

Mon fichier XML ressemble à ceci:

<strings> 
     <string>Bla <b>One &amp; Two</b> Foo</string> 
</strings> 

Je veux extraire le contenu de chaque chaîne < > tout en maintenant les balises internes. C'est-à-dire, je voudrais voir la chaîne de Python suivante: u "Bla <b> Un & Deux </b > Foo". Alternativement, je suppose que je pourrais régler sur vous "Bla <b> One & Deux </b > Foo", puis essayez de remplacer les entités moi-même. J'utilise actuellement lxml, qui me permet d'itérer sur les balises imbriquées, de rater le texte qui ne se trouve pas dans une balise, ou encore sur tout le contenu textuel (itertext), en perdant les informations d'étiquette. Il me manque probablement quelque chose.

Si possible, je préfère conserver lxml, bien que je puisse passer à une autre bibliothèque si nécessaire.

Answer 1

Il peut y avoir une meilleure façon de gérer conditionnellement des objets retournés par la fonction xpath(), mais je suis pas suffisamment au courant avec lxml pour savoir ce que c'est, donc j'ai dû écrire une fonction pour retourner la valeur de texte d'un nœud. Mais cela dit, cela montre une approche générale au problème:

>>> from lxml import etree 
>>> from StringIO import StringIO 
>>> def node_text(n): 
     try: 
      return etree.tostring(n, method='html', with_tail=False) 
     except TypeError: 
      return str(n) 

>>> f = StringIO('<strings><string>This is <b>not</b> how I plan to escape.</string></strings>') 
>>> x = etree.parse(f) 
>>> ''.join(node_text(n) for n in x.xpath('/strings/string/node()')) 
'This is <b>not</b> how I plan to escape.' 

Answer 2

essayer etree.tostring

outer = etree.tostring(string_elem, method='html') 
inner = re.match("^[^>]+>(.*)<[^<]+$", outer).groups(1)[0] 

Answer 3

Quelle que soit la langue, modèle XSLT relativement simple ferait l'affaire. Quelque chose comme la définition de modèles pour les étiquettes que vous souhaitez conserver, la conversion en texte d'autres.

Vous pouvez bien sûr utiliser une fonction récursive avec une implémentation DOM conforme (minidom peut-être?) Et traiter les balises à la main.

(pseudocode)

def Function(tag): 
    if tag.NodeType = "#text": return tag.innerText 
    text="" 
    if tag.ElementName in allowedTags: 
     text="<%s>"%tag.ElementName 
    text += [Function(subtag) for subtag in tag.childs] 
    if tag.ElementName in allowedTags: 
     text+="</%s>"%tag.ElementName 
    return text 

Answer 4

Ne pas utiliser l'analyseur, mais simplement de la pure manipulation de chaîne

mystring=""" 
<strings> 
     <string>Bla <b>One &amp; Two</b> Foo</string> 
</strings> 
""" 
for s in mystring.split("</string>"): 
    if "<string>" in s: 
     i = s.index("<string>") 
     print s[i+len("<string>"):].replace("&amp;","")