使用 lxml 解析 XML 时提取文本内容

本文档旨在帮助开发者在使用 lxml 库解析 XML 文件时，正确提取包含子元素的父节点的文本内容。我们将通过示例代码和详细解释，展示如何利用 tail 属性以及迭代方法，从复杂的 XML 结构中获取目标文本。

在使用 lxml 解析 XML 时，直接访问元素的 text 属性可能无法获取到期望的全部文本内容，尤其当元素包含子元素时。text 属性仅返回起始标签到第一个子元素之间的文本。为了提取包含子元素的父节点的完整文本，需要结合使用 tail 属性和迭代方法。

理解 text 和 tail 属性

在 lxml 中，每个元素节点都有 text 和 tail 属性。

text: 表示元素的起始标签到第一个子元素（如果有）或结束标签之间的文本内容。tail: 表示元素的结束标签到下一个兄弟元素的起始标签（如果有）或父元素的结束标签之间的文本内容。

以下面的 XML 片段为例：

对于 """root = etree.fromstring(xml_content)indexmarker_text = root.findall(".//indexmarker")[-1].tail # 找到最后一个 indexmarker 的 tailprint(indexmarker_text)

这段代码首先解析 XML 内容，然后使用 findall 方法找到所有 元素，并获取最后一个元素的 tail 属性，即 “Text Here”。

使用迭代器：

如果需要提取元素及其所有子元素的文本内容，可以使用迭代器遍历元素的所有子节点，并将它们的 text 和 tail 属性连接起来。

from lxml import etreexml_content = """            """root = etree.fromstring(xml_content)title_list = root.findall(".//title")for elem in title_list:    text = (elem.text or "") + "".join(e.tail or "" for e in elem.findall("*"))    print(text)

这段代码首先找到所有的