如何使用python BeautifulSoup提取XML文本？

我试图从Folger Library Shakespeare TEI XML editions中提取对话框。对话框的一个典型的块看起来是这样的：如何使用python BeautifulSoup提取XML文本？

<sp xml:id="sp-0024" who="#HORATIO"> 
<speaker xml:id="spk-0024"> 
<w xml:id="w0003030">HORATIO</w> 
</speaker> 
<ab xml:id="ab-0024"> 
<join type="line" xml:id="ftln-0024" n="1.1.24" ana="#short" target="#w0003040 #c0003050 #w0003060 #c0003070 #w0003080 #c0003090 #w0003100 #p0003110"/> 
<w xml:id="w0003040" n="1.1.24">A</w> 
<c xml:id="c0003050" n="1.1.24"> </c> 
<w xml:id="w0003060" n="1.1.24">piece</w> 
<c xml:id="c0003070" n="1.1.24"> </c> 
<w xml:id="w0003080" n="1.1.24">of</w> 
<c xml:id="c0003090" n="1.1.24"> </c> 
<w xml:id="w0003100" n="1.1.24">him</w> 
<pc xml:id="p0003110" n="1.1.24">.</pc> 
</ab> 
</sp>

我基本上要得到的输出将是这样的： [“霍雷肖”，“A片了。”] 但对于一个特定的所有对话字符。换句话说，我希望能够输入Folger Shakespeare TEI XML文件，并输出像gertrude.txt和horatio.txt这样的文件，每个文件都包含来自该特定字符的所有收集对话框。

我可以通过soup.find_all(who=u'#GERTRUDE')获得特定演讲者的所有对话/舞台方向/等，但是我似乎无法对结果进行任何其他操作，例如进一步深入，获取标签之间的文本等，而不需要重新解析数据。这里是发生了什么：

>>> gertrude=soup.find_all(who=u'#GERTRUDE') 
>>> gertrude.w 
Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
AttributeError: 'ResultSet' object has no attribute 'w' 
>>> gertrude.get_text() 
Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
AttributeError: 'ResultSet' object has no attribute 'get_text'

来源

2013-05-02 Jono

为什么不直接使用'lxml'？ – 2013-05-02 21:07:03

两点：你如何使用这些数据？你可以发布一个更大的样本，这个样本对于你的用例来说是一个有用的样本大小。是的，我们可以帮助您提取数据，但有大量的解释要做，所以知道如何使用它是很重要的。 – MattH 2013-05-02 21:37:26

@MartijnPieters，我会看看，谢谢。我对解析XML一无所知，所以我只选择了我听到的第一件事。 – Jono 2013-05-03 01:57:33

BeautifulSoup的.find_all()方法返回一个ResultSet对象，它是一种特殊的列表。您有0个或更多匹配，您需要循环搜索结果集或使用索引来获取结果集中包含的各个元素：

for speaker in soup.find_all(who=u'#GERTRUDE'):

来源

2013-05-03 06:57:06

如何使用python BeautifulSoup提取XML文本？

回答

相关问题