使用Python SAX解析器提取XML指定标签文本时如何过滤空白字符？

你遇到的问题其实是SAX解析器的特性导致的——SAX的characters()方法会触发所有文本节点，包括XML里用来格式化的空格、换行符这些空白内容，而你的代码没有区分这些空白和真正需要的标签文本，所以会输出一堆空的或者带空格的内容。

先说说你代码里的几个小问题：

• 每次调用startElement()时都会把self.tag设为当前标签，比如解析<song>的时候，self.tag就变成了song，不过这不是核心问题；
• 你在characters()里直接判断当前标签是artist就打印内容，但<artist>标签前后的缩进空格、换行符都会被characters()捕获到，这些空白内容也会被打印出来；
• 另外，SAX可能会把同一个标签内的文本分成多次characters()调用（虽然这个例子里不会，但最好考虑到），直接打印会导致内容拆分。

修正后的代码 #

我们可以调整思路，维护一个“是否处于目标标签内”的状态，然后积累标签内的文本，最后在标签结束时处理并输出有效内容：

#!/usr/bin/env python3
import xml.sax

class MyHandler(xml.sax.ContentHandler):
    def __init__(self):
        xml.sax.ContentHandler.__init__(self)
        self.in_artist = False  # 标记是否在<artist>标签内
        self.artist_content = ""  # 用来积累<artist>的文本内容

    def startElement(self, name, attrs):
        if name == "artist":
            self.in_artist = True  # 进入<artist>标签，开启状态
            self.artist_content = ""  # 重置内容容器

    def characters(self, content):
        if self.in_artist:
            self.artist_content += content  # 只在目标标签内积累文本

    def endElement(self, name):
        if name == "artist":
            self.in_artist = False  # 离开<artist>标签，关闭状态
            # 去除前后空白，只输出有效内容
            cleaned_content = self.artist_content.strip()
            if cleaned_content:  # 确保内容非空再打印
                print(f'[{cleaned_content}]')

if __name__=='__main__':
    parser = xml.sax.make_parser()
    Handler = MyHandler()
    parser.setContentHandler(Handler)
    parser.parse("songs.xml")

代码解释 #

• self.in_artist：用布尔值标记当前是否处于<artist>标签范围内，避免捕获其他标签的空白内容；
• self.artist_content：用来积累<artist>标签内的所有文本，不管characters()调用多少次，都能把内容拼起来；
• 在endElement()里处理文本：用strip()去除前后的空格、换行符等空白，再判断内容非空后打印，这样就只会输出真正的艺术家名字了。

运行结果 #

执行这段代码后，你会得到干净的输出：

[Ariana Grande]
[Taylor Swift]
[Melanie Martinez]

这个方案在Python2和Python3里都能正常工作，完美解决空白内容的问题~

内容的提问来源于stack exchange，提问作者NetHead