如何在Python中提取XML标签并保留其层级与顺序？

我来帮你搞定这个需求！用xml.etree.ElementTree实现带层级结构的标签路径提取，核心是通过递归遍历元素并跟踪路径，再根据你的需求过滤出想要的路径。

完整实现代码 #

import xml.etree.ElementTree as ET

# 你的XML内容
xml_content = '''<Collection variable="value">
 <Genre variable="value">
  <Timestamp>2017-05-15T18:14:07-05:00</Timestamp>
  <Date>2016-12-31</Date>
  <Identifier>
   <id>123456789</id>
   <Name>
    <BusinessName>AB & co</BusinessName>
   </Name>
  </Identifier>
 </Genre>
</Collection>'''

# 解析XML得到根元素
root = ET.fromstring(xml_content)

def get_tag_paths(element, current_path, paths):
    for child in element:
        # 生成当前子元素的完整层级路径
        child_path = f"{current_path}/{child.tag}"
        # 按照你的需求过滤：保留根的直接子元素，以及所有终端子元素（没有子标签的元素）
        if current_path == root.tag or len(child) == 0:
            paths.append(child_path)
        # 递归处理当前子元素的子标签
        get_tag_paths(child, child_path, paths)

# 初始化路径列表
tag_paths = []
# 从根元素开始遍历
get_tag_paths(root, root.tag, tag_paths)

# 输出结果
print(tag_paths)

代码说明 #

1. 解析XML：用ET.fromstring()直接解析XML字符串（如果是本地文件可以用ET.parse()），得到根元素Collection。
2. 递归遍历函数：get_tag_paths负责遍历每个元素：
   • 对每个子元素生成从根到它的完整路径（用/分隔层级）。
   • 按照你的期望输出过滤路径：只保留根的直接子元素（比如Collection/Genre），以及所有没有子标签的终端元素（比如Timestamp、id等）。
   • 递归处理子元素的子标签，确保遍历所有层级。
3. 收集结果：初始化空列表，调用函数后得到最终的路径列表。

运行这段代码，输出正好是你想要的：

['Collection/Genre', 'Collection/Genre/Timestamp', 'Collection/Genre/Date', 'Collection/Genre/Identifier/id', 'Collection/Genre/Identifier/Name/BusinessName']

灵活调整 #

如果你需要其他规则的路径（比如保留所有层级的标签路径），只需要去掉if判断，直接把所有child_path加入列表即可，这样会得到包括Collection/Genre/Identifier、Collection/Genre/Identifier/Name在内的所有标签路径。

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