文章/答案/技术大牛

发布

社区首页 >问答首页 >在Python中查找XML文件的特定部分时出现问题

问在Python中查找XML文件的特定部分时出现问题
EN

Stack Overflow用户

提问于 2021-11-17 10:28:45

回答 2查看 65关注 0票数 0

我正在处理XML文件，我希望能够访问这个文件的作者id和文本。我实现了以下代码，但不确定某些行。

for filepath in dataset_filepaths:

  with open(filepath) as f:
    soup = BeautifulSoup(f, "lxml")
  body = soup.body

  # To choose the author id !!! Is not working
  author = body.select('author_id')[0].get_text().strip()

  # To choose the text 
  soup_text = body.select('div')[0]

我有以下问题

如何选择作者id？
来选择文本应该使用'div‘还是’ab‘？
如何选择文本的标题？

非常感谢你的帮助！

这是你的文本

<div author_id="0093" work_id="006" work_short="Metaph">
<ab l0="0093" l1="006" l2="Metaph" l8="4a" l9="1t">
<lb n="1t"/>
<title>ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ</title>
<lb n="2"/>
Πῶσ ἀφορίσαι δεῖ καὶ ποίοισ τὴν ὑπὲρ τῶν
<lb n="3"/>
πρώτων θεωρίαν; ἡ γὰρ δὴ τῆσ φύσεωσ πολυ‐
<lb n="4"/>
χουστέρα, καὶ ὥσ γε δή τινέσ φασιν, ἀτακτοτέρα,
<lb n="5"/>

下面是一个有效的XML

<?xml version="1.0" encoding="UTF-8"?>
<div author_id="0093" work_id="006" work_short="Metaph">
   <ab l0="0093" l1="006" l2="Metaph" l8="4a" l9="1t">
      <lb n="1t" />
      <title>ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ</title>
      <lb n="2" />
      Πῶσ ἀφορίσαι δεῖ καὶ ποίοισ τὴν ὑπὲρ τῶν
      <lb n="3" />
      πρώτων θεωρίαν; ἡ γὰρ δὴ τῆσ φύσεωσ πολυ‐
      <lb n="4" />
      χουστέρα, καὶ ὥσ γε δή τινέσ φασιν, ἀτακτοτέρα,
      <lb n="5" />
   </ab>
</div>

beautifulsoup

python

xml

回答 2

Stack Overflow用户

回答已采纳

发布于 2021-11-17 12:55:08

你可以这样做。

，因为您需要author_id，所以选择<div>。由于author_id是标记的属性，所以可以这样提取它

D= soup.find('div') author_id =d‘’author_id‘

作为标题，选择使用.find()的<title>标记并打印它的文本

from bs4 import BeautifulSoup

s = """<?xml version="1.0" encoding="UTF-8"?>
<div author_id="0093" work_id="006" work_short="Metaph">
   <ab l0="0093" l1="006" l2="Metaph" l8="4a" l9="1t">
      <lb n="1t" />
      <title>ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ</title>
      <lb n="2" />
      Πῶσ ἀφορίσαι δεῖ καὶ ποίοισ τὴν ὑπὲρ τῶν
      <lb n="3" />
      πρώτων θεωρίαν; ἡ γὰρ δὴ τῆσ φύσεωσ πολυ‐
      <lb n="4" />
      χουστέρα, καὶ ὥσ γε δή τινέσ φασιν, ἀτακτοτέρα,
      <lb n="5" />
   </ab>
</div>"""

soup = BeautifulSoup(s, 'xml')
d = soup.find('div')
author_id = d['author_id']
title = d.find('title').text

txt = ' '.join(list(d.ab.stripped_strings)[1:])

print(f'Author_ID: {author_id}\nTitle: {title}\nText: {txt}')

Author_ID: 0093
Title: ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ
Text: Πῶσ ἀφορίσαι δεῖ καὶ ποίοισ τὴν ὑπὲρ τῶν πρώτων θεωρίαν; ἡ γὰρ δὴ τῆσ φύσεωσ πολυ‐ χουστέρα, καὶ ὥσ γε δή τινέσ φασιν, ἀτακτοτέρα,

票数 1

Stack Overflow用户

发布于 2021-11-17 11:37:21

如下所示

from bs4 import BeautifulSoup
from bs4.element import NavigableString

html = '''<div author_id="0093" work_id="006" work_short="Metaph">
<ab l0="0093" l1="006" l2="Metaph" l8="4a" l9="1t">
<lb n="1t"/>
<title>ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ</title>
<lb n="2"/>
Πῶσ ἀφορίσαι δεῖ καὶ ποίοισ τὴν ὑπὲρ τῶν
<lb n="3"/>
πρώτων θεωρίαν; ἡ γὰρ δὴ τῆσ φύσεωσ πολυ‐
<lb n="4"/>
χουστέρα, καὶ ὥσ γε δή τινέσ φασιν, ἀτακτοτέρα,
<lb n="5"/>'''
soup = BeautifulSoup(html, 'html.parser')

author_id = soup.div.attrs['author_id']
print('------------------')
print(f'author_id: {author_id}')
print('------------------')
title = soup.div.title.text
print(f'title: {title}')
print('------------------')
text = []
for child in soup.div.ab.children:
    if isinstance(child,NavigableString):
      if child.text.strip():
        text.append(child.text.strip())
print(f'text: {text}')

输出

------------------
author_id: 0093
------------------
title: ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ
------------------
text: ['Πῶσ ἀφορίσαι δεῖ καὶ ποίοισ τὴν ὑπὲρ τῶν', 'πρώτων θεωρίαν; ἡ γὰρ δὴ τῆσ φύσεωσ πολυ‐', 'χουστέρα, καὶ ὥσ γε δή τινέσ φασιν, ἀτακτοτέρα,']

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/70002688

复制

相似问题

问在Python中查找XML文件的特定部分时出现问题
EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问在Python中查找XML文件的特定部分时出现问题EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问在Python中查找XML文件的特定部分时出现问题
EN