使用Python的lxml解析带命名空间的在线XML，提取文本遇阻求助

问题描述 #

我尝试从在线XML文件的表格中提取特定文本（Prepare to write scripts、Write draft scripts、Produce final scripts），已经通过以下代码定位到表格元素，但无法进一步提取目标文本：

from lxml import etree
import requests

main_file = requests.get('https://training.gov.au/TrainingComponentFiles/CUA/CUAWRT601_R1.xml')
main_file.encoding = 'utf-8-sig'
root = etree.fromstring(main_file.content)
tables = root.xpath('//foo:table', namespaces={"foo": "http://www.authorit.com/xml/authorit"})

print(tables)

在XPATH工具中可以通过表达式//table[1]/tr/td[@width="2700"]/p[@id="4"][not(*)]/text()获取目标文本，但该表达式在本地代码中无效，需要可行的解决方法。

解决方案 #

核心原因：命名空间未全局匹配 #

本地代码已定义命名空间前缀foo，但后续XPath查询时未给所有元素添加该前缀——目标XML中所有元素（table、tr、td、p）都属于http://www.authorit.com/xml/authorit命名空间，必须显式指定前缀才能正确匹配。

修改后的可运行代码 #

直接在XPath中为所有元素添加foo:前缀，无需先单独获取tables列表：

from lxml import etree
import requests

main_file = requests.get('https://training.gov.au/TrainingComponentFiles/CUA/CUAWRT601_R1.xml')
main_file.encoding = 'utf-8-sig'
root = etree.fromstring(main_file.content)

# 为所有XML元素添加命名空间前缀，执行查询
target_texts = root.xpath(
    '//foo:table[1]/foo:tr/foo:td[@width="2700"]/foo:p[@id="4"][not(*)]/text()',
    namespaces={"foo": "http://www.authorit.com/xml/authorit"}
)

# 输出清理后的目标文本
for text in target_texts:
    print(text.strip())

代码说明 #

1. 命名空间前缀：所有XML元素（table、tr、td、p）必须添加foo:前缀，与代码中定义的命名空间映射对应。
2. 过滤逻辑：[not(*)]确保只提取无嵌套子元素的p标签文本，避免混入无关内容。
3. 文本清理：用strip()去除文本前后空白字符，得到整洁的目标内容。

运行代码后将输出：

Prepare to write scripts
Write draft scripts
Produce final scripts

内容的提问来源于stack exchange，提问作者lucas