如何在python中使用lxml删除xml标签中的所有子标签，但将文本合并到括号中？

Question

如何告诉 etree.strip_tags() 从给定标签元素中删除所有可能的标签？

我是否必须自己绘制它们，例如：

STRIP_TAGS = [ALL TAGS...] # Is there a built in list or dictionary in lxml
                           # that gives you all tags?
etree.strip_tags(tag, *STRIP_TAGS)

也许有一种我不知道的更优雅的方法？

输入示例：

parent_tag = "<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>"

期望输出：

# <parent>This is some text with multiple tags and sometimes they are nested.</parent>

甚至更好：

This is some text with multiple tags and sometimes they are nested.

Answer 1

您可以使用 lxml.html.clean 模块:

import lxml.html, lxml.html.clean


s = '<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>'

tree = lxml.html.fromstring(s)
cleaner = lxml.html.clean.Cleaner(allow_tags=['parent'], remove_unknown_tags=False)
cleaned_tree = cleaner.clean_html(tree)

print lxml.etree.tostring(cleaned_tree)
# <parent>This is some text with multiple tags and sometimes they are nested.</parent>

Answer 2

这个答案有点晚了，但我想一个比 ars 最初的答案提供的解决方案更简单的解决方案可能会很方便为了安全起见。

简短回答

在调用 strip_tags() 时使用 "*" 参数来指定要删除的所有标签。

长答案

给定您的 XML 字符串，我们可以创建一个 lxml 元素：

>>> import lxml.etree
>>> s = "<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>"
>>> parent_tag = lxml.etree.fromstring(s)

您可以像这样检查该实例：

>>> parent_tag
<Element parent at 0x5f9b70>
>>> lxml.etree.tostring(parent_tag)
b'<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>'

要删除除 parent 标记本身之外的所有标记，请使用 etree.strip_tags() 函数，例如你建议，但有一个"*" 参数：

>>> lxml.etree.strip_tags(parent_tag, "*")

检查显示所有子标签都消失了：

>>> lxml.etree.tostring(parent_tag)
b'<parent>This is some text with multiple tags and sometimes they are nested.</parent>'

这是您想要的输出。 请注意，这将修改 lxml Element 实例本身！为了使其更好（正如您所要求的:-)），只需获取 text 属性：

>>> parent_tag.text
'This is some text with multiple tags and sometimes they are nested.'