如何使用ElementTree获取元素的完整XML或HTML内容？

Question

也就是说，所有文本和子标记，没有元素本身的标记？

拥有

<p>blah <b>bleh</b> blih</p>

我想要

blah <b>bleh</b> blih

element.text返回“blah”和etree.tostring（element）返回：

<p>blah <b>bleh</b> blih</p>

Answer 1

ElementTree工作得很好，你必须自己组装答案。像这样的。。。

"".join( [ "" if t.text is None else t.text ] + [ xml.tostring(e) for e in t.getchildren() ] )

感谢合资公司amd PEZ指出错误。

---

编辑。

>>> import xml.etree.ElementTree as xml
>>> s= '<p>blah <b>bleh</b> blih</p>\n'
>>> t=xml.fromstring(s)
>>> "".join( [ t.text ] + [ xml.tostring(e) for e in t.getchildren() ] )
'blah <b>bleh</b> blih'
>>> 

不需要尾巴。

Answer 2

这些都是很好的答案，它们回答了OP的问题，特别是当问题仅限于HTML时。但是文档本身就很混乱，元素嵌套的深度通常无法预测。

要模拟DOM的getTextContent（），必须使用（非常）简单的递归机制。

只需要简单的文本：

def get_deep_text( element ):
    text = element.text or ''
    for subelement in element:
        text += get_deep_text( subelement )
    text += element.tail or ''
    return text
print( get_deep_text( element_of_interest ))

要获取有关原始文本之间边界的所有详细信息，请执行以下操作：

root_el_of_interest.element_count = 0
def get_deep_text_w_boundaries( element, depth = 0 ):
    root_el_of_interest.element_count += 1
    element_no = root_el_of_interest.element_count 
    indent = depth * '  '
    text1 = '%s(el %d - attribs: %s)\n' % ( indent, element_no, element.attrib, )
    text1 += '%s(el %d - text: |%s|)' % ( indent, element_no, element.text or '', )
    print( text1 )
    for subelement in element:
        get_deep_text_w_boundaries( subelement, depth + 1 )
    text2 = '%s(el %d - tail: |%s|)' % ( indent, element_no, element.tail or '', )
    print( text2 )
get_deep_text_w_boundaries( root_el_of_interest )

LibreOffice Writer doc（.fodt文件）中单个段落的输出示例：

(el 1 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'Standard'})
(el 1 - text: |Ci-après individuellement la "|)
  (el 2 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'T5'})
  (el 2 - text: |Partie|)
  (el 2 - tail: |" et ensemble les "|)
  (el 3 - attribs: {'{urn:oasis:names:tc:opendocument:xmlns:text:1.0}style-name': 'T5'})
  (el 3 - text: |Parties|)
  (el 3 - tail: |", |)
(el 1 - tail: |
   |)

关于混乱的一点是，对于文本样式何时指示单词边界以及何时不指示：紧跟在单词后面的上标（没有空格）在我可以想象的所有用例中都意味着一个单独的单词，没有硬性规定。有时，你可能会发现，例如，一个文档中的第一个字母由于某种原因被加粗，或者第一个字母可能使用不同的样式来表示为大写，而不是简单地使用普通的UC字符。

当然，这种讨论的“以英语为中心”越少，其微妙之处和复杂性就越大！

Answer 3

这是我最终使用的解决方案：

def element_to_string(element):
    s = element.text or ""
    for sub_element in element:
        s += etree.tostring(sub_element)
    s += element.tail
    return s