如何使用pandas从复杂XML中提取class为full_text块下的p标签文本
提取XML指定节点文本的可运行实现
准备工作
- 安装解析依赖:执行
pip install lxml完成依赖安装,该库对XML的xpath定位支持完善,适配复杂嵌套结构的解析需求。
完整实现代码
from lxml import etree # 替换为你本地XML文件的实际路径 xml_file_path = "your_local_file.xml" # 解析XML文档 xml_tree = etree.parse(xml_file_path) # 定位class属性为full_text的所有块节点,提取其下嵌套的所有p标签文本 extracted_p_list = xml_tree.xpath('//*[@class="full_text"]//p/text()') # 清洗文本:过滤空白内容,去掉首尾多余空格 cleaned_lines = [line.strip() for line in extracted_p_list if line.strip()] final_content = "\n".join(cleaned_lines) # 写入独立的输出文件,指定UTF-8编码避免乱码 with open("result_output.txt", "w", encoding="utf-8") as output_f: output_f.write(final_content)
常见问题排查
- 若运行后提取结果为空:先检查class属性的实际值是否和代码中匹配(注意大小写、前后空格),如果XML存在命名空间,必须在解析时注册命名空间映射,否则xpath会完全匹配不到节点
- 若p标签内的链接、加粗等子元素的文字没有被提取:将原来的文本提取逻辑替换为遍历p节点本身,通过
itertext()方法获取节点下所有层级的文本内容,对应代码片段为:# 替换原来的xpath提取文本的逻辑 target_p_nodes = xml_tree.xpath('//*[@class="full_text"]//p') cleaned_lines = [''.join(p.itertext()).strip() for p in target_p_nodes if ''.join(p.itertext()).strip()] - 输出文件打开乱码时,检查写入时是否指定了
encoding="utf-8"参数,Windows系统下默认编码不是UTF-8,不指定会出现中文乱码 - xpath路径中的双斜杠
//用于匹配任意层级的嵌套节点,确保full_text块下深层嵌套的p标签不会被漏取
内容的提问来源于stack exchange,提问作者kathi94
相关产品推荐
相关产品推荐

