python - 如何使用 python 从 xml 中有效地提取 <![CDATA[]> 内容？

Question

我有以下 xml:

<?xml version="1.0" encoding="UTF-8" standalone="no"?><author id="user23">
    <document><![CDATA["@username: That boner came at the wrong time ???? http://t.co/5X34233gDyCaCjR" HELP I'M DYING       ]]></document>
    <document><![CDATA[Ugh      ]]></document>
    <document><![CDATA[YES !!!! WE GO FOR IT. http://t.co/fiI23324E83b0Rt       ]]></document>
    <document><![CDATA[@username Shout out to me????        ]]></document>
</author>

解析和提取 <![CDATA[ 的最有效方法是什么？内容 ]]>成一个列表。比方说:

[@username: That boner came at the wrong time ???? http://t.co/5X34233gDyCaCjR" HELP I'M DYING      Ugh     YES !!!! WE GO FOR IT. http://t.co/fiI23324E83b0Rt      @username Shout out to me????       ]

这是我尝试过的:

from bs4 import BeautifulSoup
x='/Users/user/PycharmProjects/TratandoDeMejorarPAN/test.xml'
y = BeautifulSoup(open(x), 'xml')
out = [y.author.document]
print out

这是输出:

[<document>"@username: That boner came at the wrong time ???? http://t.co/5XgDyCaCjR" HELP I'M DYING        </document>]

这个输出的问题是我不应该得到 <document></document> .我怎样才能删除 <document></document>标记并在列表中获取此 xml 的所有元素？

Answer 1

这里有几处错误。 (询问有关选择图书馆的问题违反了这里的规则，所以我忽略了这部分问题)。

1. 您需要传入文件句柄，而不是文件名称。

   即:y = BeautifulSoup(open(x))

2. 您需要告诉 BeautifulSoup 它正在处理 XML。

   即:y = BeautifulSoup(open(x), 'xml')

3. CDATA部分不创建元素。你不能在 DOM 中搜索它们，因为它们不存在于 DOM 中；它们只是语法糖。直接看document下的文字就行了, 不要尝试搜索名为 CDATA 的内容.

   再次声明，略有不同:<doc><![CDATA[foo]]</doc>与<doc>foo</doc>完全相同 . CDATA 有什么不同？部分是其中的所有内容都会自动转义，这意味着 <![CDATA[<hello>]]被解释为 <hello> .但是——您无法从已解析的对象树中判断您的文档是否包含 CDATA。带有文字的部分 <和 >或带有 < 的原始文本部分和 > .这是设计使然，并且适用于任何兼容的 XML DOM 实现。

---

现在，一些实际有效的代码怎么样:

import bs4

doc="""
<?xml version="1.0" encoding="UTF-8" standalone="no"?><author id="user23">
    <document><![CDATA["@username: That came at the wrong time ????" HELP I'M DYING       ]]></document>
    <document><![CDATA[Ugh      ]]></document>
    <document><![CDATA[YES !!!! WE GO FOR IT.       ]]></document>
    <document><![CDATA[@username Shout out to me????        ]]></document>
</author>
"""

doc_el = bs4.BeautifulSoup(doc, 'xml')
print [ el.text for el in doc_el.findAll('document') ]

如果你想从一个文件中读取，替换doc与 open(filename, 'r') .