使用Python的lxml解析XML时多嵌套评论节点提取问题

问题根源 #

你的代码出现顺序混乱的核心原因是把所有<comment>的属性和文本分别提取成独立列表后强行配对——不同<comment>对应的内容来源（直接文本、<cv-term>内容、<xref>相关内容）分散在不同列表中，它们的顺序无法和comment_cat列表的顺序一一对应，自然会出现错位。

解决方案：逐个遍历处理每个<comment>节点 #

正确的思路是：遍历XML中的每一个<comment>节点，针对单个节点判断它属于哪一种嵌套场景，提取对应内容后直接组合成目标格式，这样既能保证每个category和内容正确关联，又能严格遵循XML中的原始顺序。

修改后的代码如下：

# 先获取所有<comment>节点，而非拆分提取属性和文本
comments = att.xpath('.//comment-list/comment')
comment_results = []

for comment in comments:
    # 提取当前comment的category属性
    category = comment.get('category')
    if not category:
        continue  # 跳过无category属性的节点
    
    # 判断当前comment所属场景
    has_cv_term = len(comment.xpath('./cv-term')) > 0
    has_xref_list = len(comment.xpath('./xref-list')) > 0
    
    # 场景1：无子节点的comment（既无cv-term也无xref-list）
    if not has_cv_term and not has_xref_list:
        # 提取并清理标签间文本（去除多余换行和空格）
        raw_text = ''.join(comment.xpath('./text()'))
        clean_text = raw_text.strip()
        if clean_text:
            comment_results.append(f"{category}: {clean_text}")
        continue
    
    # 场景2：包含<cv-term>子节点的comment
    if has_cv_term:
        cv_node = comment.xpath('./cv-term')[0]
        # 提取cv-term的属性与文本
        terminology = cv_node.get('terminology', '')
        accession = cv_node.get('accession', '')
        cv_text = ''.join(cv_node.xpath('./text()')).strip()
        # 组合成目标格式
        content = f"{terminology}, {accession}, {cv_text}"
        comment_results.append(f"{category}: {content}")
        continue
    
    # 场景3：包含<xref-list>多层嵌套的comment
    if has_xref_list:
        xref_node = comment.xpath('./xref-list/xref')[0]
        # 提取xref的属性
        database = xref_node.get('database', '')
        accession = xref_node.get('accession', '')
        # 提取property的value属性
        property_value = comment.xpath('./xref-list/xref/property-list/property/@value')[0]
        # 组合成目标格式
        content = f"{database}, {accession}, {property_value}"
        comment_results.append(f"{category}: {content}")

# 用;;连接最终结果
key_values['Comments'] = ';; '.join(comment_results)

关键改进点 #

1. 节点级处理：不再拆分属性和文本列表，针对每个<comment>独立处理，确保category与内容的对应关系绝对正确。
2. 精准场景判断：通过检查当前节点是否包含cv-term或xref-list子节点，精准匹配三种嵌套场景。
3. 文本清理：用strip()去除文本中的多余换行、空格，避免无效内容干扰输出。
4. 顺序一致性：完全遵循XML中<comment>节点的原始顺序输出，彻底解决错位问题。

测试该代码后，即可得到你期望的有序输出结果。

内容的提问来源于stack exchange，提问作者szuszfol