使用Python XML findall提取段落未获取全部内容的问题排查

你的代码存在三个核心问题，导致无法正确获取全部段落：

1. 变量名不匹配 #

循环中定义的变量是nameoffile，但后续判断文件后缀、解析文件时误用了未定义的filename，这会直接触发NameError，根本无法正常处理文件。

2. XPath路径范围过窄 #

./body/sec/p只能匹配直接嵌套在<body>下的<sec>标签内的<p>标签，如果XML结构里存在嵌套的<sec>（比如<sec>内部再包含<sec>），内层<sec>里的<p>会被完全遗漏。应该使用递归匹配的XPath表达式//body//p，它能找到<body>节点下所有层级的<p>标签。

3. 仅提取首个文本节点 #

x.text只能获取<p>标签起始位置的文本，一旦<p>内部包含其他子标签（比如示例里的<xref>），子标签之后的文本会丢失。需要用itertext()方法遍历<p>下所有文本节点并拼接，才能得到完整段落内容。

修正后的代码 #

import os
import xml.etree.ElementTree as ET

words_input_dir = "你的目标目录路径"  # 替换为实际目录路径
for nameoffile in os.listdir(words_input_dir):
    if nameoffile.endswith(".xml"):
        # 拼接完整文件路径，避免相对路径问题
        file_path = os.path.join(words_input_dir, nameoffile)
        tree = ET.parse(file_path)
        root = tree.getroot()
        # 递归获取body下所有层级的p标签
        all_paragraphs = root.findall("//body//p")
        for para in all_paragraphs:
            # 拼接所有文本节点，得到完整段落
            full_text = ''.join(para.itertext()).strip()
            print(full_text)

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