Analyser le texte de l'élément avec l'élément vide à l'intérieur

Question

J'essaie de convertir un document XHTML qui utilise beaucoup de tables dans un document XML sémantique en Python en utilisant xml.etree. Cependant, je vais avoir des problèmes de conversion de cette XHTML

<TD> 
    Textline1<BR/> 
    Textline2<BR/> 
    Textline3 
</TD> 

dans quelque chose comme ça

<lines> 
    <line>Textline1</line> 
    <line>Textline2</line> 
    <line>Textline3</line> 
</lines> 

Le problème est que je ne sais pas comment obtenir le texte après les éléments BR.

Answer 1

Vous devez utiliser la propriété .tail des <br> éléments.

import xml.etree.ElementTree as et 

doc = """<TD> 
    Textline1<BR/> 
    Textline2<BR/> 
    Textline3 
</TD> 
""" 

e = et.fromstring(doc) 

items = [] 
for x in e.getiterator(): 
    if x.text is not None: 
     items.append(x.text.strip()) 
    if x.tail is not None: 
     items.append(x.tail.strip()) 

doc2 = et.Element("lines") 
for i in items: 
    l=et.SubElement(doc2, "line") 
    l.text = i 

print(et.tostring(doc2)) 

Answer 2

Je ne pense pas que les étiquettes soient vides. xml.etree ne peut pas s'attendre à ce que vous ayez des éléments enfants et des nœuds de texte nu mélangés.

BeautifulSoup est idéal pour analyse XML ou HTML qui ne sont pas bien formaté:

import BeautifulSoup 
soup = BeautifulSoup.BeautifulSoup(open('in.html').read()) 
print "\n".join(["<line>%s</line>" % node.strip() for node in soup.find('td').contents if isinstance(node, BeautifulSoup.NavigableString)])