条件移除元素的

Question

我的任务就是做XML树的一些元素的微小的重构在Python 3，即替换以下结构：

<span class="nobr"> 
<a href="http://www.google.com/"> 
    http://www.google.com/ 
    <sup> 
    <img align="absmiddle" alt="" border="0" class="rendericon" height="7" src="http://jira.atlassian.com/icon.gif" width="7"/> 
    </sup> 
</a> 
</span> 

有了：

<span class="nobr"> 
<a href="http://www.google.com/"> 
    http://www.google.com/ 
</a> 
</span> 

即 - 如果整个结构与第一个例子中给出的结构完全一致，请移除sup元素。我需要在处理过程中保留XML文档，所以正则表达式匹配不是可能的。

我已经有代码的工作，我的目的：

doc = self.__refactor_links(doc) 
... 
def __refactor_links(self, node): 
    """Recursively seeks for links to refactor them""" 
    for span in node.childNodes: 
     replace = False 
     if isinstance(span, xml.dom.minidom.Element): 
      if span.tagName == "span" and span.getAttribute("class") == "nobr": 
       if span.childNodes.length == 1: 
        a = span.childNodes.item(0) 
        if isinstance(a, xml.dom.minidom.Element): 
         if a.tagName == "a" and a.getAttribute("href"): 
          if a.childNodes.length == 2: 
           aurl = a.childNodes.item(0) 
           if isinstance(aurl, xml.dom.minidom.Text): 
            sup = a.childNodes.item(1) 
            if isinstance(sup, xml.dom.minidom.Element): 
             if sup.tagName == "sup": 
              if sup.childNodes.length == 1: 
               img = sup.childNodes.item(0) 
               if isinstance(img, xml.dom.minidom.Element): 
                if img.tagName == "img" and img.getAttribute("class") == "rendericon": 
                 replace = True 
      else: 
       self.__refactor_links(span) 
     if replace: 
      a.removeChild(sup) 
    return node 

这一次不会通过所有的标签递归地运行 - 如果它匹配相似，它寻求结构的东西 - 即使它失败，它不会继续寻找这些元素内部的结构，但在我的情况下，我不应该这样做（虽然这也会很好，但是增加一堆其他成本：self .__ refactor_links（tag）kill它在我眼中）。

如果任何条件失败，则不应该发生移除。有没有更清晰的方式来定义一组条件，避免大量'ifs'？一些自定义数据结构可以用于存储条件，例如， （'sup'，（'img'，（...））），但我不知道应该如何处理它。如果你在Python中有任何建议或例子 - 请帮忙。

谢谢。

Answer 1

这绝对是XPath表达式的一个任务，在您的情况下可能与lxml一起使用。

的XPath可能是沿着线的东西：

//span[@class="nobr"]/a[@href]/sup[img/@class="rendericon"]

彰显树与此XPath表达式，并删除所有匹配的元素。 如果构造或递归没有必要。

Answer 2

我不擅长与XML，但不能使用节点上

>>> from xml.dom.minidom import parse, parseString 
>>> dom = parseString(x) 
>>> k = dom.getElementsByTagName('sup') 
>>> for l in k: 
...  p = l.parentNode 
...  p.removeChild(l) 
... 
<DOM Element: sup at 0x100587d40> 
>>> 
>>> print dom.toxml() 
<?xml version="1.0" ?><span class="nobr"> 
<a href="http://www.google.com/"> 
    http://www.google.com/ 

</a> 
</span> 
>>> 

Answer 3

下面是与lxml快速事情查找/搜索。强烈推荐xpath。

>>> from lxml import etree 
>>> doc = etree.XML("""<span class="nobr"> 
... <a href="http://www.google.com/"> 
... http://www.google.com/ 
... <sup> 
... <img align="absmiddle" alt="" border="0" class="rendericon" height="7" src="http://jira.atlassian.com/icon.gif" width="7"/> 
... </sup> 
... </a> 
... </span>""") 
>>> for a in doc.xpath('//span[@class="nobr"]/a[@href="http://www.google.com/"]'): 
...  for sub in list(a): 
...   a.remove(sub) 
... 
>>> print etree.tostring(doc,pretty_print=True) 
<span class="nobr"> 
<a href="http://www.google.com/"> 
    http://www.google.com/ 
    </a> 
</span> 

Answer 4

轻松使用lxml和XSLT来实现：

>>> from lxml import etree 
>>> from StringIO import StringIO 
>>> # create the stylesheet 
>>> xslt = StringIO(""" 
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform"> 
    <!-- this is the standard identity transform --> 
    <xsl:template match="@* | node()"> 
    <xsl:copy> 
     <xsl:apply-templates select="@* | node()"/> 
    </xsl:copy> 
    </xsl:template> 
    <!-- this replaces the specific node you're looking to replace --> 
    <xsl:template match="span[a[@href='http://www.google.com' and 
        sup[img[ 
         @align='absmiddle' and 
         @border='0' and 
         @class='rendericon' and 
         @height='7' and 
         @src='http://jira.atlassian.com/icon.gif' and 
         @width='7']]]]"> 
    <span class="nobr"> 
     <a href="http://www.google.com/">http://www.google.com/</a> 
    </span> 
    </xsl:template> 
</xsl:stylesheet>""") 
>>> # create a transform function from the XSLT stylesheet 
>>> transform = etree.XSLT(etree.parse(xslt)) 
>>> # here's a sample source XML instance for testing 
>>> source = StringIO(""" 
<test> 
    <span class="nobr"> 
    <a href="http://www.google.com/"> 
    http://www.google.com/ 
    <sup> 
    <img align="absmiddle" alt="" border="0" class="rendericon" height="7" src="http://jira.atlassian.com/icon.gif" width="7"/> 
    </sup> 
    </a> 
    </span> 
</test>""") 
>>> # parse the source, transform it to an XSLT result tree, and print the result 
>>> print etree.tostring(transform(etree.parse(source))) 
<test> 
    <span class="nobr"><a href="http://www.google.com/">http://www.google.com/</a></span> 
</test> 

编辑：

我要指出，没有一个答案 - 不是我的，不是MattH的，当然不是实例OP张贴 - 做什么OP要求，这是只取代其结构正好匹配的元素

<span class="nobr"> 
    <a href="http://www.google.com/"> 
    http://www.google.com/ 
    <sup> 
    <img align="absmiddle" alt="" border="0" class="rendericon" height="7" src="http://jira.atlassian.com/icon.gif" width="7"/> 
    </sup> 
    </a> 
</span> 

例如，所有的这些例子将取代sup如果img有style属性，或者如果sup有除了img另一个孩子。

构建XPath表达式可能会更加严格。例如，而不是使用

span[a] 

与至少一个 a孩子任何 span匹配

，您可以使用

span[count(@*)=0 and count(*)=1 and a] 

它不具有属性的任何span和只有一个子元素，其中匹配那个孩子是a。你可以去用这个漂亮的疯狂在你的追求精密，例如：

span[count(@*) = 1 and 
    @class='nobr' and 
    count(*) = 1 and 
    a[count(@*) = 1 and 
     @href='http://www.google.com' and 
     count(*) = 1 and 
     sup[count(@*) = 0 and 
      count(*) = 1 and 
      img[count(*) = 0 and 
       count(@*) = 7 and 
       @align='absmiddle' and 
       @alt='' and 
       @border='0' and 
       @class='rendericon' and 
       @height='7' and 
       @src='http://jira.atlassian.com/icon.gif' and 
       @width='7']]]] 

其中，在匹配的每一步，确保元素匹配只包含完全相同的属性和指定的元素并没有更多的。 （并且它仍然不验证它们不包含文本，注释或处理指令 - 如果您确实严肃认真，请在任何地方使用count(node())，这是使用count(*)。）