从这个XML fi中提取数据的最有效方法

Question

XML文件示例

<GateDocument> 
  <GateDocumentFeatures>
    ...
  </GateDocumentFeatures>
  <TextWithNodes>
    <Node id="0"/>
    MESSAGE SET
    <Node id="19"/> 
    <Node id="20"/>
    1. 1/1/09 - sample text 1
    <Node id="212"/>
    sample text 2
    <Node id="223"/>
    sample text 3
    ...
    <Node id="160652"/>
  </TextWithNodes>
  <AnnotationSet></AnnotationSet>
  <AnnotationSet Name="SomeName">
    ...
  </AnnotationSet>
</GateDocument>

首先，这是我第一次用Python编写代码并处理XML，如果我错过了非常明显的东西，很抱歉！在

我的目标是提取特定节点id处的示例文本。在

第一次尝试-我使用了minidom，它没有给我正确的方法来处理提取(http://stackoverflow.com/questions/11122736/extracting-text-from-xml-node-with-minidom)因为在自动关闭标记中节点id的这种奇怪的格式。在

第二次尝试-我在查看lxml时接受了一些建议，我成功地将文本提取为如下内容：

^{pr2}$

通过一些清理，我想我可以很好地获得文本，但是，我丢失了关联的节点id值。在

使用代码：

from lxml import etree
from StringIO import StringIO
xmlfile = ('C:\...AnnotationsXML.xml')
xmldoc = etree.parse(xmlfile)  
print xmldoc.xpath("//TextWithNodes/text()")

所以我想我的问题是：

1. 是否有一种方法可以在不使用\n\t\t的情况下提取上述内容？我读到这是空间格式化（即tab），但我不确定<Node id = 0>去了哪里。在
2. 有没有更好或更有效的方法来提取这个文件？在

谢谢！在

Answer 1

In [1]: from lxml import etree

In [2]: tree = etree.parse('awful.xml')

In [3]: data = {int(node.attrib['id']): node.tail.strip()
   ...: for node in tree.xpath('//TextWithNodes/Node') if node.tail.strip()}

In [4]: data
Out[4]: 
{0: 'MESSAGE SET',
 20: '1. 1/1/09 - sample text 1',
 212: 'sample text 2',
 223: 'sample text 3'}

^{}用于删除\t\n之类的内容，^{}接受标记后的文本。在