python - lxml xml 解析，在 xml 标签内包含 html 标签

Question

<xml>
<maintag>    
<content> lorem <br>ipsum</br> <strong> dolor sit </strong> and so on </content>
</maintag>
</xml>

我定期解析的 xml 文件可能在内容标记内包含 HTML 标记，如上所示。

这是我如何解析文件的:

parser = etree.XMLParser(remove_blank_text=False)
tree = etree.parse(StringIO(xmlFile), parser)
for item in tree.iter('maintag'):
  my_content = item.find('content').text
  #print my_content
  #output: lorem

结果是 my_content = 'lorem' 而不是 -which i'd like to see- ' lorem < br>ipsum
dolor sat 等等'

如何将内容读取为“lorem
ipsum
dolor sat等”？

注意:内容标签可能有另一个html标签而不是strong。并且可能根本没有它们。

Answer 1

from lxml import etree
root = etree.fromstring('''<xml>
<maintag>    
<content> lorem <br>ipsum</br> <strong> dolor sit </strong> and so on </content>
</maintag>
</xml>''')
for content in root.xpath('.//maintag/content'):
    print etree.tostring(content)

打印

<content> lorem <br>ipsum</br> <strong> dolor sit </strong> and so on </content>

<小时/>

....
for content in root.xpath('.//maintag/content'):
    print ''.join(child if isinstance(child, basestring) else etree.tostring(child)
                  for child in content.xpath('*|text()'))

打印

 lorem <br>ipsum</br>  <strong> dolor sit </strong> and so on  and so on