在Python中查找XML檔案的特定部分的問題

我正在處理 XML 檔案，我想訪問此檔案的作者 ID 和文本。我實作了以下代碼，但我不確定某些行。

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]

我有以下問題

1. 如何選擇作者ID？
2. 要選擇文本，我應該使用“div”還是“ab”？
3. 如何選擇文本的標題？

非常感謝您的幫助！

你是正文

<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"/>
Πω?σ α?φορι?σαι δει? και? ποι?οισ τη?ν υ?πε?ρ τω?ν
<lb n="3"/>
πρω?των θεωρι?αν; η? γα?ρ δη? τη?σ φυ?σεωσ πολυ‐
<lb n="4"/>
χουστε?ρα, και? ω??σ γε δη? τινε?σ φασιν, α?τακτοτε?ρα,
<lb n="5"/>

下面是一個有效的 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" />
      Πω?σ α?φορι?σαι δει? και? ποι?οισ τη?ν υ?πε?ρ τω?ν
      <lb n="3" />
      πρω?των θεωρι?αν; η? γα?ρ δη? τη?σ φυ?σεωσ πολυ‐
      <lb n="4" />
      χουστε?ρα, και? ω??σ γε δη? τινε?σ φασιν, α?τακτοτε?ρα,
      <lb n="5" />
   </ab>
</div>

uj5u.com熱心網友回復：

你可以這樣做。

• 既然需要author_id，選擇<div>. 作為author_id標簽的一個屬性，你可以像這樣提取它

  d = soup.find('div')
  author_id = d['author_id']
  

• 對于標題，選擇<title>標簽使用.find()并列印它的文本

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" />
      Πω?σ α?φορι?σαι δει? και? ποι?οισ τη?ν υ?πε?ρ τω?ν
      <lb n="3" />
      πρω?των θεωρι?αν; η? γα?ρ δη? τη?σ φυ?σεωσ πολυ‐
      <lb n="4" />
      χουστε?ρα, και? ω??σ γε δη? τινε?σ φασιν, α?τακτοτε?ρα,
      <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: Πω?σ α?φορι?σαι δει? και? ποι?οισ τη?ν υ?πε?ρ τω?ν πρω?των θεωρι?αν; η? γα?ρ δη? τη?σ φυ?σεωσ πολυ‐ χουστε?ρα, και? ω??σ γε δη? τινε?σ φασιν, α?τακτοτε?ρα,

uj5u.com熱心網友回復：

像下面這樣的東西

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"/>
Πω?σ α?φορι?σαι δει? και? ποι?οισ τη?ν υ?πε?ρ τω?ν
<lb n="3"/>
πρω?των θεωρι?αν; η? γα?ρ δη? τη?σ φυ?σεωσ πολυ‐
<lb n="4"/>
χουστε?ρα, και? ω??σ γε δη? τινε?σ φασιν, α?τακτοτε?ρα,
<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}')  

輸出

------------------
author_id: 0093
------------------
title: ΘΕΟΦΡΑΣΤΟΥ ΤΩΝ ΜΕΤΑ ΤΑ ΦΥΣΙΚΑ
------------------
text: ['Πω?σ α?φορι?σαι δει? και? ποι?οισ τη?ν υ?πε?ρ τω?ν', 'πρω?των θεωρι?αν; η? γα?ρ δη? τη?σ φυ?σεωσ πολυ‐', 'χουστε?ρα, και? ω??σ γε δη? τινε?σ φασιν, α?τακτοτε?ρα,']

標籤：Python xml 美汤

上一篇：如何使用代碼關閉列印預覽頁面

下一篇：如何使用JPAfindById查詢CompositeKey？