BeautifulSoup处理TEI XML时<body>标签异常包裹文档求助

问题根源 #

你遇到的额外<body>标签包裹整个文档的异常，是因为使用了lxml的HTML解析器处理TEI XML文档。HTML解析器会自动按HTML规则补全结构，将根节点<TEI>强制包裹到<body>中，同时原文档内的<body>标签保留，最终导致重复。

修复方案 #

将BeautifulSoup的解析器切换为XML模式，严格按照XML规则处理文档，避免HTML解析器的自动补全行为。修改代码中的解析初始化行：

soup = bs(file, 'lxml-xml')  # 替换原有的 'lxml'

同时可以简化代码里的冗余变量，优化后的完整函数如下：

def choice_reg(text):
    with open(f"{text}.xml", "r") as f:
        file = f.read()

    # 使用XML解析器处理TEI文档
    soup = bs(file, 'lxml-xml')
    tei_root = soup.find("TEI", recursive=True)
    # 筛选不含<reg>和<abbr>的<choice>标签
    target_choices = [el for el in tei_root.find_all('choice') 
                      if not el.find('reg') and not el.find('abbr')]
    
    for choice in target_choices:
        orig = choice.find('orig')
        reg_string = orig.getText().lower()
        new_reg = tei_root.new_tag('reg')
        new_reg.string = reg_string
        orig.insert_after(new_reg)

    with open(f"{text.split('.')[0]}2.xml", "w") as f:
        f.write(str(tei_root))

验证说明 #

切换为XML解析器后，BeautifulSoup会完整保留TEI文档的原有结构，不会自动注入HTML的<body>标签，同时给<choice>添加小写<reg>的功能可以正常运行。

内容的提问来源于stack exchange，提问作者KWunsch