Python使用lxml提取XML文件中带内部标签的content内容并保留标签的方法

首先先修正你现有代码的两处基础错误：

• 你定义的xmlData = []为列表类型，后续使用字典键赋值会触发类型错误，需要修改为xmlData = {}
• 你直接将文件路径赋值给tree变量，没有完成XML解析加载，需要先调用etree.parse()处理文件

核心实现逻辑 #

你需要的效果可以直接用lxml自带的etree.tostring()方法实现，该方法可以将指定节点及其所有子节点完整序列化，自动保留所有内部标签和原有内容顺序，无需手动拼接标签。

完整可运行代码示例：

from lxml import etree

xmlData = {}
# 加载解析XML文件
tree = etree.parse('/folder/test/xml')

# 原有title、subtitle提取逻辑
for title in tree.xpath("/document/body/title"):
    xmlData['title'] = title.text
for subtitle in tree.xpath("/document/body/subtitle"):
    xmlData['subtitle'] = subtitle.text

# 提取content节点完整内容
content_node = tree.xpath("/document/body/content")[0]
# 保留<content>外层标签 + 所有内部标签内容
xmlData['content_with_wrapper'] = etree.tostring(content_node, encoding='unicode', method='html').strip()
# 仅保留content内部的所有标签内容（去掉外层<content>标签）
xmlData['content'] = ''.join([
    etree.tostring(child, encoding='unicode', method='html') 
    for child in content_node.iterchildren()
]).strip()

效果说明 #

序列化得到的content内容和原XML中的结构完全一致，p、em、strong标签的位置、内容都不会出现错位，也不会额外插入不存在的标签内容。

内容的提问来源于stack exchange，提问作者Menryck