使用Python ElementTree提取XML标签及其子标签文本

ElementTree的text属性仅能获取标签的直接文本，要提取包含子标签在内的全部文本，用itertext()方法即可解决——它会递归遍历目标标签及其所有子元素，自动收集所有文本片段。

完整实现代码 #

import xml.etree.ElementTree as ET
import pandas as pd

# 1. 解析本地XML文件
tree = ET.parse("your_local_file.xml")  # 替换为你的XML文件路径
root = tree.getroot()

# 2. 提取所有<z>标签的完整文本（含子标签内容）
z_contents = []
for z_tag in root.findall(".//z"):
    # 拼接所有文本片段并去除首尾空白
    full_text = "".join(z_tag.itertext()).strip()
    z_contents.append(full_text)

# 3. 转换为指定格式的DataFrame
df = pd.DataFrame({"z_tag_content": z_contents})

# 可选：若需保留<z>标签属性（如id），可扩展列
# z_contents = []
# for z_tag in root.findall(".//z"):
#     full_text = "".join(z_tag.itertext()).strip()
#     z_id = z_tag.get("id")  # 假设<z>标签存在id属性
#     z_contents.append({"tag_id": z_id, "content": full_text})
# df = pd.DataFrame(z_contents)

关键说明 #

• root.findall(".//z")：通过XPath表达式递归查找XML结构中所有层级的标签，无需关注其所在位置。
• z_tag.itertext()：返回迭代器，依次输出当前标签及其所有嵌套子标签（如<std>、<italic>）的文本内容。
• "".join(...)：将零散的文本片段拼接为完整字符串，strip()用于清理首尾多余的空白字符。

内容的提问来源于stack exchange，提问作者SlowBear