You need to enable JavaScript to run this app. 如何使用pandas从复杂XML中提取class为full_text块下的p标签文本
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.29 09:06:02