我需要解析和重建解析器使用的文件格式,该文件格式使用的语言只能被描述为 XML。我意识到符合标准的 XML 既不关心 CDATA 也不关心空格,但不幸的是,这个应用程序要求我关心两者......
我正在使用 lxml.etree
因为它非常擅长保存 CDATA。
例如:
s = '''
<root>
<item>
<![CDATA[whatever]]>
</item>
</root>'''
import lxml.etree as et
et.fromstring(s, et.XMLParser(strip_cdata=False))
item = root.find('item')
print et.tostring(item)
这打印:
<item>
<![CDATA[whatever]]>
</item>
lxml
完全保留了 <item>
的格式标记...太棒了!
问题是我没有任何方法可以准确判断 CDATA 在标签文本中的开始和结束位置。属性(property)item.text
没有说明文本的哪一部分被包裹在 CDATA 中:
item.text
==> '\n whatever\n '
因此,如果我修改它,并尝试将其作为 CDATA 吐出,那么我将丢失空白的位置:
item.text = CDATA('foobar')
et.tostring(item)
==> '<item><![CDATA[foobar]]></item>\n'
很明显,lxml
“知道”CDATA 在节点文本中的位置,因为它用 node.tostring()
保存它.但是,我想不出一种方法来反省文本的哪些部分是 CDATA,哪些不是。 有什么建议吗?
最佳答案
我不确定 lxml
,但是使用 minidom
您可以更改 CDATA 部分并保留周围的空白,如 CDATASection
是一个单独的节点类型。
>>> from xml.dom import minidom
>>> data = minidom.parseString(s)
>>> parts = data.getElementsByTagName('item')
>>> item = parts[0]
>>> item.childNodes
[<DOM Text node "u'\n '">, <DOM CDATASection node "u'whatever'">, <DOM Text node "u'\n '">]
>>> item.childNodes[1].nodeValue = 'changed'
>>> print item.toxml()
<item>
<![CDATA[changed]]>
</item>
参见 xml.dom.minidom: Getting CDATA values了解更多详情。
关于python - 找出 CDATA 在 lxml 元素中的位置?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25171791/