lxml 相关问题

我有一个这样的长XML结构： [[[[[]]]]]]]]]] >> 您可以尝试以下方法：迭代所有new_line元素。对于所有这些new_lines：查找所有子元素text并将其保存在列表中。使用text_list使用当前元素和先前元素遍历zip（有关更多详细信息，请参见this discussion：zip(l[:-1], l[1:]) 获取当前和上一个元素的大小如果它们相等且不都为null：获取当前和先前的文本将它们添加到当前元素使用remove删除上一个元素代码 import lxml.etree as etree parser = etree.XMLParser(remove_blank_text=True) tree = etree.parse('data.xml', parser) root = tree.getroot() # Iterate over //newline block for new_line_block in tree.xpath('//new_line'): # Find all "test" element in the new_line block list_text_elts = new_line_block.xpath('//text') # Iterate over all of them with the current and previous ones for previous_text, current_text in zip(list_text_elts[:-1], list_text_elts[1:]): # Get size elements prev_size = previous_text.attrib.get('size') curr_size = current_text.attrib.get('size') # If they are equals and not both null if curr_size == prev_size and curr_size is not None: # Get current and previous text pt = previous_text.text if previous_text.text is not None else "" ct = current_text.text if current_text.text is not None else "" # Add them to current element current_text.text = pt + ct # Remove preivous element new_line_block.remove(previous_text) newtree = etree.tostring(root, encoding='utf-8', pretty_print=True) newtree = newtree.decode("utf-8") output.xml<pages> <page id="1" bbox="0.000,0.000,462.047,680.315" rotate="0"> <textbox id="0" bbox="191.745,592.218,249.042,603.578"> <textline bbox="191.745,592.218,249.042,603.578"> <new_line> <text font="QKWQNQ+ImprintMTnum-Bold" bbox="272.661,554.072,277.415,564.757" colourspace="DeviceGray" ncolour="0" size="10.685">1</text> <text font="NUMPTY+ImprintMTnum" bbox="324.480,553.628,327.384,566.110" colourspace="DeviceGray" ncolour="0" size="12.482">sventura] </text> <text font="PYNIYO+ImprintMTnum-Italic" bbox="346.709,553.639,352.505,566.366" colourspace="DeviceGray" ncolour="0" size="12.727">sps. a</text> <text font="NUMPTY+ImprintMTnum" bbox="368.242,553.628,372.759,566.110" colourspace="DeviceGray" ncolour="0" size="12.482">mi-</text> </new_line> </textline> </textbox> </page> </pages> 我让您调整它来处理不同的页面！

python xml tags lxml elementtree

回答 1 投票 1

如何在Python中获得XML中的第二个同级兄弟？

我有一个要迭代的XML。我需要找到特定节点的前一个节点（带有标签“ text”和属性“ bbox”）。问题是，我想指定标签是否没有“ bbox”属性，否则不能...

python xml xpath tags lxml

回答 1 投票 0

如何在Python中使用带有xPath的XML的同级兄弟？

我有一个这样的XML结构： [[[[[]]]]]]] 您的代码失败的原因是，与先前同级有关的轴名称是 preceding-sibling（不是preceding）。但是在这里您不需要使用 XPath 表达式，因为存在本机lxml获取（第一个）前面的同级兄弟的方法，该兄弟称为getprevious。要检查对上一个 text 节点的访问，请尝试以下循环：for x in tree.xpath('//text'): bb = x.attrib.get('bbox') if bb is not None: bb = bb.split(',') print('This: ', bb) xPrev = x.getprevious() bb = None if xPrev is not None: bb = xPrev.attrib.get('bbox') if bb is not None: bb = bb.split(',') if bb is not None: print(' Previous: ', bb) else: print(' No previous bbox') 它为当前 text 元素和如果有的话，在兄弟姐妹之前。编辑如果需要，您还可以直接访问前面的 bbox 属性 text元素，调用x.xpath（'preceding-sibling :: text [1] / @ bbox'）。但是请记住，此函数返回找到的节点的列表，如果没有，则返回已找到，此列表为空（不是无）。因此，在任何使用此结果之前，您必须：检查返回列表的长度（应为> 0），从此列表中获取第一个元素（ bbox属性的文本内容，在这种情况下，此列表应仅包含1个元素），由,分割（获取片段列表），检查此结果的第一个元素是否不为空，转换为 float 。之后您可以使用它，例如与当前bbox 中的相应值进行比较。 Python使用非常古老的XPath 1.0标准。在XPath 1.0中，“ //text[@bbox < preceding::text[1]/@bbox + 11] 您正在对@bbox值执行数字微分和数字加法。但是@bbox不是数字，它是四个数字的逗号分隔列表： 179.739,592.028,261.007,604.510 将其转换为数字会产生NaN（非数字），并且NaN < NaN返回false。要对这样的结构化属性值执行任何有用的操作，您确实需要XPath 2.0或更高版本。

python xml xpath tags lxml

回答 2 投票 0

删除XML文件开头的BOM表标记

我有一个XML文件，由于要使用lxml对其进行解析，因此我试图从中删除BOM。可以在此处找到文件的链接。一些简化的代码是：从lxml import etree f = ...

python-3.x lxml

回答 2 投票 1

如何在窗口10中解决模块问题？

我在下面提到了代码；我使用python 3.7 idle运行此代码，该代码成功运行，但是当我将其另存为file.py并通过使用cmd运行它时，会弹出导入模块错误。我的代码：import ...

python python-3.x lxml

回答 1 投票 0

从HDFS读取XML文件以使用lxml.etree在Pyspark中进行解析

我已经使用lxml.etree用Python编写了一个解析器，现在我试图在Hadoop集群上运行所述解析器。当我在本地运行该函数时，它可以按预期工作，但是我收到以下错误...