python - 从此 XML 文件中提取数据的最有效方法

Question

XML 文件示例

<GateDocument> 
  <GateDocumentFeatures>
    ...
  </GateDocumentFeatures>
  <TextWithNodes>
    <Node id="0"/>
    MESSAGE SET
    <Node id="19"/> 
    <Node id="20"/>
    1. 1/1/09 - sample text 1
    <Node id="212"/>
    sample text 2
    <Node id="223"/>
    sample text 3
    ...
    <Node id="160652"/>
  </TextWithNodes>
  <AnnotationSet></AnnotationSet>
  <AnnotationSet Name="SomeName">
    ...
  </AnnotationSet>
</GateDocument>

刚开始，这是我第一次使用 Python 编写代码并处理 XML，如果我错过了非常明显的事情，我们深表歉意!

我的目标是提取特定节点 ID 处的示例文本。

第一次尝试 - 我使用了 minidom，它没有给我处理提取的正确方法 (http://stackoverflow.com/questions/11122736/extracting-text-from-xml-node-with-minidom)由于自闭合标签中节点 ID 的这种奇怪格式。

第二次尝试 - 我采纳了查看 lxml 的建议，我已成功将文本提取为如下内容:

['\n\t\t','n\t\tMESSAGE SET\n\t\t','\n\t\t','\n\t\t1. 1/1/09 - sample text 1,....,'\n\t']

通过一些清理，我想我可以得到很好的文本，但是，我丢失了关联的节点 ID 值。

代码:

from lxml import etree
from StringIO import StringIO
xmlfile = ('C:\...AnnotationsXML.xml')
xmldoc = etree.parse(xmlfile)  
print xmldoc.xpath("//TextWithNodes/text()")

所以我想我的问题是:

1. 有没有办法在没有\n\t\t 的情况下提取上述内容？我读到它是空格格式(即制表符)，但我不确定 <Node id = 0> 在哪里去。
2. 提取此文件是否有更好或更有效的方法？

谢谢!

Answer 1

In [1]: from lxml import etree

In [2]: tree = etree.parse('awful.xml')

In [3]: data = {int(node.attrib['id']): node.tail.strip()
   ...: for node in tree.xpath('//TextWithNodes/Node') if node.tail.strip()}

In [4]: data
Out[4]: 
{0: 'MESSAGE SET',
 20: '1. 1/1/09 - sample text 1',
 212: 'sample text 2',
 223: 'sample text 3'}

strip用于删除 \t\n 和 tail 之类的东西接受标签后的文本。