如何用Python从TEI XML提取含标签ID的连贯文本？

直接上可运行的代码方案，精准匹配你的需求：

核心处理逻辑 #

• 用lxml.etree解析TEI XML文档
• 定位所有<ab>标签并提取xml:id属性
• 清理标签内文本的多余换行、连续空格，生成连贯内容
• 按「xml:id值: 连贯文本」的格式输出

代码实现 #

from lxml import etree
import re

# 示例TEI XML内容（替换为你的文件路径或实际XML字符串）
tei_content = """
<TEI xmlns="http://www.tei-c.org/ns/1.0">
  <text>
    <body>
      <ab xml:id="para_001">这是第一段文本，
      包含多余换行和零散空格。</ab>
      <ab xml:id="para_002">第二段文本格式混乱，
      需要整理成连贯的一句话。</ab>
    </body>
  </text>
</TEI>
"""

# 解析XML（本地文件用etree.parse('你的TEI文件.xml')）
root = etree.fromstring(tei_content)

# TEI默认命名空间配置
tei_ns = {'tei': 'http://www.tei-c.org/ns/1.0'}

# 遍历所有<ab>标签处理
for ab_tag in root.xpath('//tei:ab', namespaces=tei_ns):
    # 提取xml:id属性（需用完整XML命名空间URI）
    ab_id = ab_tag.get('{http://www.w3.org/XML/1998/namespace}id')
    # 提取并清理文本：移除多余换行、连续空白，转为连贯字符串
    raw_text = ab_tag.text_content()
    clean_text = re.sub(r'\s+', ' ', raw_text.strip())
    # 按要求格式输出
    print(f"{ab_id}: {clean_text}")

关键细节说明 #

• xml:id属性获取：xml:属于特殊命名空间，必须用完整URI{http://www.w3.org/XML/1998/namespace}id才能准确提取属性值，直接用ab_tag.get('xml:id')可能因命名空间规则失效。
• 文本清理：re.sub(r'\s+', ' ', raw_text.strip())会把所有连续的换行、空格、制表符替换为单个空格，彻底解决格式混乱问题。
• 命名空间处理：TEI XML通常带默认命名空间，xpath查询时必须指定namespaces参数，否则无法定位到<ab>标签。

内容的提问来源于stack exchange，提问作者bsteo