如何使用BeautifulSoup提取XML文本并保留指定标签

完全可以用BeautifulSoup实现你的需求，核心思路是递归遍历文档树节点，只保留你指定的<w:ins>和<w:del>标签，其余标签仅提取内部文本。具体实现步骤如下：

实现代码 #

首先定义一个递归处理函数，用来遍历节点并构建目标输出：

from bs4 import BeautifulSoup

def extract_text_with_target_tags(soup, target_tags):
    """
    提取文本并保留指定的带命名空间标签
    :param soup: BeautifulSoup对象
    :param target_tags: 字典，键为命名空间前缀，值为要保留的标签列表，如{'w': ['ins', 'del']}
    :return: 包含指定标签的文本字符串
    """
    result = []
    for elem in soup.descendants:
        if isinstance(elem, str):
            # 处理文本节点，保留有效文本（过滤纯空白）
            text = elem.strip()
            if text:
                result.append(text)
        elif elem.prefix in target_tags and elem.name in target_tags[elem.prefix]:
            # 匹配到要保留的标签，拼接开始标签
            start_tag = f"<{elem.prefix}:{elem.name}>"
            result.append(start_tag)
            # 递归处理标签内部内容
            result.append(extract_text_with_target_tags(elem, target_tags))
            # 拼接结束标签
            end_tag = f"</{elem.prefix}:{elem.name}>"
            result.append(end_tag)
        else:
            # 其他标签，仅递归提取内部文本，不保留标签本身
            result.append(extract_text_with_target_tags(elem, target_tags))
    return ''.join(result)

测试示例 #

假设你的docx XML片段如下：

<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">
  <w:body>
    <w:p>
      Here is some text 
      <w:ins>inserted</w:ins> 
      into a document
      <w:del>e</w:del>
    </w:p>
  </w:body>
</w:document>

调用函数处理：

# 解析XML
xml_content = 上面的XML字符串
soup = BeautifulSoup(xml_content, 'xml')

# 指定要保留的标签（w命名空间下的ins和del）
target_tags = {'w': ['ins', 'del']}

# 生成结果
output = extract_text_with_target_tags(soup, target_tags)
print(output)

输出结果将完全符合你的预期：

Here is some text<w:ins>inserted</w:ins>into a document<w:del>e</w:del>

关键说明 #

1. 命名空间处理：docx的XML使用w命名空间，BeautifulSoup会将标签的命名空间前缀和标签名分开存储，因此通过elem.prefix和elem.name可以精准匹配目标标签。
2. 递归遍历：函数会深入每个节点内部，确保嵌套在其他标签（比如<w:t>）里的文本也能被正确提取，同时保留指定标签的结构。
3. 空白过滤：对文本节点做了strip()处理，避免输出中出现大量冗余空白，你可以根据需求调整这部分逻辑。

内容的提问来源于stack exchange，提问作者Jordan Smith