lxml按regex查找标记

Question

我尝试使用lxml来获取一个格式化为

<TEXT1>TEXT</TEXT1>

<TEXT2>TEXT</TEXT2>

<TEXT3>TEXT</TEXT3>

我试着用

^{pr2}$

但这会搜索一个字面上的星号。在

我也尝试过使用ETXPath，但似乎行不通。 有没有什么API函数可以处理，因为假设 TEXT由整数附加不是最漂亮的解决方案。在

Answer 1

有一个想法：

import lxml.etree

doc = lxml.etree.parse('test.xml')
elements = [x for x in doc.xpath('//*') if x.tag.startswith('TEXT')]

Answer 2

是的，您可以使用regular expressions in lxml xpath。在

以下是一个例子：

results = root.xpath(
    "//*[re:test(local-name(), '^TEXT.*')]",
    namespaces={'re': "http://exslt.org/regular-expressions"})

当然，在您提到的示例中，并不需要正则表达式。您可以使用^{}xpath函数：

^{pr2}$

完整程序：

from lxml import etree

root = etree.XML('''
    <root>
      <TEXT1>one</TEXT1>
      <TEXT2>two</TEXT2>
      <TEXT3>three</TEXT3>
      <x-TEXT4>but never four</x-TEXT4>
    </root>''')

result1 = root.xpath(
    "//*[re:test(local-name(), '^TEXT.*')]",
    namespaces={'re': "http://exslt.org/regular-expressions"})

result2 = root.xpath("//*[starts-with(local-name(), 'TEXT')]")

assert(result1 == result2)

for result in result1:
    print result.text, result.tag

---

为了满足新的需求，请考虑以下XML：

<root>
   <tag>
      <TEXT1>one</TEXT1>
      <TEXT2>two</TEXT2>
      <TEXT3>three</TEXT3>
   </tag>
   <other_tag>
      <TEXT1>do not want to found one</TEXT1>
      <TEXT2>do not want to found two</TEXT2>
      <TEXT3>do not want to found three</TEXT3>
   </other_tag>
</root>

如果要查找所有TEXT元素，这些元素是<tag>元素的直接子元素：

result = root.xpath("//tag/*[starts-with(local-name(), 'TEXT')]")
assert(' '.join(e.text for e in result) == 'one two three')

或者，如果希望所有TEXT元素都是第一个tag元素的直接子元素：

result = root.xpath("//tag[1]/*[starts-with(local-name(), 'TEXT')]")
assert(' '.join(e.text for e in result) == 'one two three')

或者，如果只想找到每个tag元素的第一个TEXT元素：

result = root.xpath("//tag/*[starts-with(local-name(), 'TEXT')][1]")
assert(' '.join(e.text for e in result) == 'one')

---

解决方法：

• http://www.w3schools.com/xpath/
• http://lxml.de/xpathxslt.html