如何用Beautiful Soup提取XML中的非空标签有效信息？

给定一组Beautiful Soup的<Entry>标签元素列表，需遍历每个Entry，提取所有包含有效信息的标签（忽略无内容的空标签，比如带有xsi:nil="true"属性或文本/子标签为空的标签）。

需提取的目标内容 #

• 第一个Entry需提取：

  <DateFormattedForTHForm>07/01/2022</DateFormattedForTHForm>
  <DateFormattedForTHForm>07/01/2023</DateFormattedForTHForm>
  <FormDescription>Notification Of Settlement</FormDescription>
  <FormNumber>WC 99 06 04</FormNumber>
  

• 第二个Entry需提取：

  <DisplayName>Mallesham Yamulla</DisplayName>
  <FEINOrSSN>123-45-6789</FEINOrSSN>
  <formsMaskedSSN_and_NoMaskFEIN>**-***-8834</formsMaskedSSN_and_NoMaskFEIN>
  <PrimaryAddress>
    <AddressLine1>A</AddressLine1>
    <AddressLine123>B</AddressLine123>
    <CityStateZip>ENID, OK 73703</CityStateZip>
    <Country>IND</Country>
  </PrimaryAddress>
  

实现代码 #

from bs4 import BeautifulSoup, Tag

def extract_valid_tags(element):
    """递归提取元素下的有效标签，忽略空标签"""
    valid_tags = []
    for child in element.children:
        if not isinstance(child, Tag):
            continue  # 跳过非标签类型的节点
        # 过滤带xsi:nil="true"的空标签
        if child.get('xsi:nil') == 'true':
            continue
        # 判断标签是否有有效内容：文本非空 或 存在有效子标签
        has_valid_text = child.get_text(strip=True) != ''
        has_valid_kids = len(extract_valid_tags(child)) > 0
        if has_valid_text or has_valid_kids:
            # 清理标签内部，仅保留有效子标签
            cleaned_tag = BeautifulSoup(child.prettify(), 'xml').find(child.name)
            cleaned_tag.contents = extract_valid_tags(child)
            valid_tags.append(cleaned_tag)
    return valid_tags

# 假设entries是你的Entry标签列表
for idx, entry in enumerate(entries, 1):
    print(f"第{idx}个Entry提取结果：")
    for tag in extract_valid_tags(entry):
        print(tag.prettify())

代码逻辑说明 #

1. 递归遍历每个标签的子元素，跳过文本、注释等非标签节点
2. 直接排除带有xsi:nil="true"属性的空标签
3. 仅保留两类标签：自身文本内容非空的标签，或包含有效子标签的父标签
4. 对符合条件的标签，清理其内部结构，只保留有效子标签，确保输出结果简洁

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