如何用Python读取含标签与文本混合的XML并精准还原文件

问题场景 #

给定如下XML文件：

<?xml version="1.0" encoding="UTF-8"?>
<document>
  <title>
    <tag>A</tag>
    X
  </title>
</document>

需要精准还原原文件内容，既要保留<tag>标签结构，也要保留文本X。但默认的xml.etree.ElementTree处理标签与文本混合的<title>元素时存在缺陷：

• itertext()会丢失标签结构，仅提取所有文本内容
• 直接迭代元素只能获取子标签，无法捕获标签后的文本X

测试代码及输出：

import xml.etree.ElementTree as ET

tree = ET.parse("a.xml")
r = tree.getroot()

title = r[0]

print(list(title.itertext()))
print([c for c in title])
print(repr(title.text))

输出：

['\n    ', 'A', '\n    X\n  ']
[<Element 'tag' at 0x7fc11c130c20>]
'\n    '

解决思路 #

方法1：利用Element的tail属性手动遍历 #

xml.etree.ElementTree中，每个子元素的tail属性对应该标签结束后到下一个标签（或父元素结束）之间的文本。通过递归遍历元素的text、子元素、tail，可以完整还原内容结构：

import xml.etree.ElementTree as ET

def serialize_element(el):
    parts = []
    # 处理元素开头的文本
    if el.text:
        parts.append(el.text)
    # 遍历子元素
    for child in el:
        parts.append(f"<{child.tag}>")
        parts.extend(serialize_element(child))
        parts.append(f"</{child.tag}>")
        # 处理子元素后的tail文本
        if child.tail:
            parts.append(child.tail)
    return parts

tree = ET.parse("a.xml")
root = tree.getroot()

# 序列化title元素
title_content = ''.join(serialize_element(root.find('title')))
print(title_content)

输出会完整保留<tag>A</tag>和后续的X，结合格式化可还原原文件排版。

方法2：使用lxml库（更简便） #

lxml的tostring方法可直接保留原始混合内容结构，还支持格式化输出：

from lxml import etree

tree = etree.parse("a.xml")
title = tree.find('title')
# 输出带格式的XML内容
print(etree.tostring(title, encoding='unicode', pretty_print=True))

输出：

<title>
    <tag>A</tag>
    X
  </title>

完全还原原文件的结构与排版。

内容的提问来源于stack exchange，提问作者Nico Schlömer