Python lxml XPath解析XML时如何获取p标签父div的n属性

问题场景 #

使用lxml解析XML时，通过XPath匹配到div下的目标p标签后，需要同时获取p标签的完整内容、以及其所属div的n属性，原有遍历逻辑仅能访问p标签自身属性，无法直接拿到父节点信息。

可用实现方案 #

方案1：调用元素原生getparent()方法获取父节点 #

lxml的元素对象自带getparent()方法，可直接返回当前元素的直接父节点，适合层级固定的场景：

from lxml import etree

mystring='''<div n="0001" type="doc" xml:id="_3168060002">
<p xml:id="_3168060003">[car 1] Séquence préparatoire pour <p xml:id="_3168060005">a) la définition </p></p></p></div>
<div n="0002" type="doc" xml:id="_3168060012"><p xml:id="_3168060003">[blue] la voiture pour <p xml:id="_3168060005">a) la définition </p></p></p></div>
'''

parser = etree.XMLParser(resolve_entities=False, strip_cdata=False, recover=True, ns_clean=True)
# 多同级div需要补根节点，若原XML已有外层根可省略该步骤
xml_content = f"<root>{mystring}</root>"
XML_tree = etree.fromstring(xml_content.encode(), parser=parser)

all_paras = XML_tree.xpath('.//div[@n]/p[@xml:id]')
for para in all_paras:
    # 获取直接父节点
    parent_div = para.getparent()
    # 读取父节点n属性
    div_n = parent_div.get('n')
    # 递归提取p标签下所有文本（兼容嵌套子标签）
    para_content = ''.join(para.itertext()).strip()
    print(f"div n属性：{div_n}")
    print(f"p标签内容：{para_content}")
    print("---")

如果p和目标div之间存在不确定层数的嵌套，可以用XPath找最近的祖先div节点，避免层级变动导致取错父节点：

# 查找距离当前p最近、带n属性的div祖先
parent_div = para.xpath('./ancestor::div[@n][1]')[0]

方案2：调整XPath语句一次性返回所有目标数据 #

直接在XPath中同时选取p节点和对应父节点的n属性，查询结果会自动配对返回，省去单独取父节点的步骤：

# XPath语法中..代表当前节点的父级，查询结果返回( p元素, 对应div的n属性 )元组
all_paras = XML_tree.xpath('.//div[@n]/p[@xml:id]/(., ../@n)')
for para, div_n in all_paras:
    para_content = ''.join(para.itertext()).strip()
    print(f"div n属性：{div_n}")
    print(f"p标签内容：{para_content}")
    print("---")

注意事项 #

• 不要用para.text提取p标签内容，该属性仅能获取p标签直接包裹的文本，无法读取嵌套子标签内的文本，itertext()方法会递归遍历所有子节点拼接完整文本，适配嵌套场景。
• 合法XML要求单一根节点，如果你的XML内容是多个div平级的结构，直接传入etree.fromstring()会触发解析错误，可参考示例在外层包裹一层临时根节点，若原数据本身已有外层根节点可跳过该操作。

内容的提问来源于stack exchange，提问作者JFerro