LXML解析含注释标签仅获注释前文本，如何将全部内容转为CDATA？

给定原始XML：

<?xml version="1.0" encoding="utf-8" ?>
<root>
  <tag>
    some data
    <!-- some data2 -->
    <!-- some data2 -->
    some data
  </tag>
</root>

使用lxml的etree解析时，仅通过tag.text只能获取注释前的文本，执行以下代码后：

from lxml import etree

parser = etree.XMLParser()
#parser = etree.XMLParser(remove_comments=True)
tree = etree.parse("./data.xml", parser)
root = tree.getroot()

for tag in root.findall("tag"):
    tag.text = etree.CDATA(tag.text)

tree.write("./result.xml",
           encoding = "utf-8",
           xml_declaration = True)

生成的XML仅注释前的文本被转为CDATA，注释及后续文本未被处理：

<?xml version='1.0' encoding='UTF-8'?>
<root>
  <tag><![CDATA[
    some data
    ]]><!-- some data2 -->
    <!-- some data2 -->
    some data
  </tag>
</root>

解决方案 #

问题核心是tag.text仅对应内第一个文本节点，而标签中还包含注释节点和后续的文本节点（这些文本节点以子节点的tail属性存在）。要实现需求，需要完整收集内的所有内容，再将其包裹到CDATA中。

方法一：遍历节点收集内容 #

通过遍历的所有子节点，拼接开头文本、子节点序列化内容、子节点后的文本，得到完整内部内容：

from lxml import etree

# 保留空白文本，避免原有格式丢失
parser = etree.XMLParser(remove_blank_text=False)
tree = etree.parse("./data.xml", parser)
root = tree.getroot()

for tag in root.findall("tag"):
    # 收集<tag>内的全部内容
    full_content = tag.text or ""
    for child in tag:
        # 序列化子节点（如注释）为字符串
        full_content += etree.tostring(child, encoding="utf-8").decode("utf-8")
        # 添加子节点后的文本内容
        full_content += child.tail or ""
    
    # 清空<tag>原有所有子节点和文本
    tag.clear()
    # 将完整内容放入CDATA
    tag.text = etree.CDATA(full_content)

# 写入结果，保留格式化
tree.write("./result.xml",
           encoding="utf-8",
           xml_declaration=True,
           pretty_print=True)

方法二：序列化节点提取内容 #

将节点直接序列化为字符串，通过正则提取内部内容，实现更简洁：

from lxml import etree
import re

parser = etree.XMLParser(remove_blank_text=False)
tree = etree.parse("./data.xml", parser)
root = tree.getroot()

for tag in root.findall("tag"):
    # 序列化<tag>节点为字符串
    tag_str = etree.tostring(tag, encoding="utf-8").decode("utf-8")
    # 提取<tag>标签内的所有内容（兼容带属性的<tag>）
    match = re.search(r'<tag[^>]*>(.*?)</tag>', tag_str, re.DOTALL)
    if match:
        full_content = match.group(1)
        # 清空<tag>并设置CDATA内容
        tag.clear()
        tag.text = etree.CDATA(full_content)

tree.write("./result.xml",
           encoding="utf-8",
           xml_declaration=True,
           pretty_print=True)

最终效果 #

两种方法执行后，都会生成符合要求的XML：

<?xml version='1.0' encoding='UTF-8'?>
<root>
  <tag><![CDATA[
    some data
    <!-- some data2 -->
    <!-- some data2 -->
    some data
  ]]></tag>
</root>

内容的提问来源于stack exchange，提问作者Anaph