我试图从XML文件中提取文本,但没有得到我期望的结果。从xml文件中提取文本
这是XML的一个片段,我试图分析来说明我的问题:
<texto_Quijote_I>
<bloque nombre="prologo">
<autor>
Desocupado lector: sin juramento me podrás creer que quisiera que este;
como será poner, tratando de libertad y cautiverio:
<cita_latin> Non bene pro toto libertas venditur auro.</cita_latin>
Y luego, en el margen, citar a Horacio, o a quien lo dijo. Si tratáredes
del poder de la muerte, acudir luego con:
<cita_latin>
Pallida mors aequo pulsat pede pauperum tabernas,
Regumque turres.
</cita_latin>
Si de la amistad y amor que Dios manda que se tenga al enemigo, entraros
luego al punto por la Escritura Divina, que lo podéis hacer con tantico de
curiosidad, y decir las palabras, por lo menos, del mismo Dios:
<cita_latin>Ego autem dico vobis: diligite inimicos vestros</cita_latin>.
Si tratáredes de malos pensamientos,
acudid con el Evangelio:
<cita_latin>De corde exeunt cogitationes malae</cita_latin>.
Si de la instabilidad de los amigos, ahí está Catón, que os dará su dístico:
<cita_latin>
Donec eris felix, multos numerabis amicos,
tempora si fuerint nubila, solus eris.
</cita_latin>
Y con estos latinicos y otros tales os tendrán siquiera por gramático, que
Y con esto, Dios te dé salud, y a mí no olvide. Vale.
</autor>
</bloque>
</texto_Quijote_I>
我试图提取所有某些标签之间的文本。因此,例如,获得<autor>..</autor>
标签之间的所有文字,我想这一点:
import xml.etree.ElementTree as ET
tree = ET.parse("file.xml")
root = tree.getroot()
text = ""
for n in root.findall(".//autor"):
text += n.text
但是,当我检查字符串,我只得到:
"Desocupado lector: sin juramento me podrás creer que quisiera que este;
como será poner, tratando de libertad y cautiverio:"
这是它应该是如何工作的?我期待得到<autor>
和</autor>
之间的所有文本。
文档说文本仅显示标签的文本内容。其他东西不是文本(集合和子集理论?)的一部分: Element.findall()仅查找带有作为当前元素的直接子元素的标记的元素。 Element.find()用特定的标签找到第一个子元素,Element.text访问元素的文本内容。 Element.get()访问元素的属性:' 此外,'xml.etree.ElementTree模块对于恶意构造的数据不安全。如果您需要解析不可信或未经身份验证的数据,请参阅XML漏洞。# –
Adib