如何使用 python 的 lxml.etree 库从 xml 标签的所有嵌套标签中获取所有字符串？

Question

我有一个 xml 文件，其中可能会发生以下情况：

...
<a><b>This is</b> some text about <c>some</c> issue I have, parsing xml</a>
...

编辑：让我们假设，标签可以嵌套不止一个级别，这意味着

<a><b><c>...</c>...</b>...</a>

我使用 python lxml.etree 库想出了这个。

context = etree.iterparse(PATH_TO_XML, dtd_validation=True, events=("end",))
for event, element in context:
    tag = element.tag
    if tag == "a":
        print element.text # is empty :/
        mystring = element.xpath("string()")
        ...

但不知怎的，它出了问题。

我想要的是整个字符串

"This is some text about some issue I have, parsing xml"

，但我只得到一个空字符串。有什么建议吗？谢谢！

Answer 1

这个问题已经被问过很多次了。

您可以使用lxml.html.text_content()方法。

import lxml.html
t = lxml.html.fromstring("...")
t.text_content()

REF: 过滤掉 HTML 标签并解析 python 中的实体

或者使用 lxml.etree.strip_tags() 方法。

REF：在lxml中，我该如何删除标签但保留所有内容？