python - 如何使用 xml.dom 中的 minidom 获取字符串形式的内部内容？

Question

我的 xml 文件中有一些文本标签(使用 popplers-utils 中的 pdftohtml 将 pdf 转换为 xml)，如下所示:

<text top="525" left="170" width="603" height="16" font="1">..part of old large book</text>
<text top="546" left="128" width="645" height="16" font="1">with many many pages and some <i>italics text among 'plain' text</i> and more and more text</text>
<text top="566" left="128" width="642" height="16" font="1">etc...</text>

我可以使用以下示例代码获取包含文本标记的文本:

import string
from xml.dom import minidom
xmldoc = minidom.parse('../test/text.xml')
itemlist = xmldoc.getElementsByTagName('text')

some_tag = itemlist[node_index]
output_text = some_tag.firstChild.nodeValue
# if there is all text inside <i> I can get it by
output_text = some_tag.firstChild.firstChild.nodeValue

# but no if <i></i> wrap only one word of the string

但如果“nodeValue”包含另一个标签，我无法获取它 (<i> or <b>...)里面也无法获取对象

将所有文本获取为纯字符串(如 javascript insideHTML 方法)或递归到子标记(即使它们包含一些单词而不是整个 nodeValue)的最佳方法是什么？

谢谢

Answer 1

**Question: How to get inner content as string using minidom

这是一个递归解决方案，例如:

def getText(nodelist):
    # Iterate all Nodes aggregate TEXT_NODE
    rc = []
    for node in nodelist:
        if node.nodeType == node.TEXT_NODE:
            rc.append(node.data)
        else:
            # Recursive
            rc.append(getText(node.childNodes))
    return ''.join(rc)


xmldoc = minidom.parse('../test/text.xml')
nodelist = xmldoc.getElementsByTagName('text')

# Iterate <text ..>...</text> Node List
for node in nodelist:
    print(getText(node.childNodes))

Output:

..part of old large book
with many many pages and some italics text among 'plain' text and more and more text
etc...

使用 Python 测试:3.4.2