Python读取XML文件时<sup>标签致文本读取中断，内容截断问题求助

嘿，这个坑我之前踩过！你遇到的问题本质是：当XML元素里包含<sup>这类内嵌子标签时，常规的element.text只能获取到标签之前的文本内容，而标签之后的文本会被存在子标签的tail属性里，标签内部的文本则在子标签的text属性里，直接取text自然就会截断。

举个例子，你提供的XML片段里：

return (<AbstractText> 无病生存期（DFS）和总生存期（OS）采用Kaplan-Meier法计算。分类变量采用χ<sup>2</sup>检验进行比较。</AbstractText>
)

• <AbstractText>的text是：" 无病生存期（DFS）和总生存期（OS）采用Kaplan-Meier法计算。分类变量采用χ"
• <sup>的text是："2"
• <sup>的tail是："检验进行比较。"

要拿到完整文本，就得把这些部分全部拼接起来，下面给你两种实用的解决方案：

方法1：用标准库xml.etree.ElementTree实现递归文本拼接 #

如果不想额外安装库，写个递归函数就能搞定，它会遍历所有子节点，把text、子节点的文本、子节点的tail全部拼起来：

import xml.etree.ElementTree as ET

def get_full_text(element):
    # 初始化文本，空值的话用空字符串代替
    result = element.text or ""
    # 遍历所有子元素
    for child in element:
        # 递归获取子元素的完整文本
        result += get_full_text(child)
        # 加上子元素后面的文本（tail）
        result += child.tail or ""
    return result

# 测试你的XML内容
xml_sample = """
<Abstract> 
    <AbstractText> 无病生存期（DFS）和总生存期（OS）采用Kaplan-Meier法计算。分类变量采用χ<sup>2</sup>检验进行比较。</AbstractText> 
</Abstract>
"""

# 解析XML
root = ET.fromstring(xml_sample)
abstract_elem = root.find("AbstractText")
# 获取完整文本
full_content = get_full_text(abstract_elem)
print(full_content.strip())  # 输出：无病生存期（DFS）和总生存期（OS）采用Kaplan-Meier法计算。分类变量采用χ2检验进行比较。

方法2：用lxml库快速提取（更简洁） #

如果你能安装第三方库，lxml的XPath支持string()函数，能直接提取元素下的所有文本内容，不用自己写递归：

首先安装lxml：

pip install lxml

然后代码实现：

from lxml import etree

xml_sample = """
<Abstract> 
    <AbstractText> 无病生存期（DFS）和总生存期（OS）采用Kaplan-Meier法计算。分类变量采用χ<sup>2</sup>检验进行比较。</AbstractText> 
</Abstract>
"""

root = etree.fromstring(xml_sample)
abstract_elem = root.find("AbstractText")
# 用XPath的string()函数直接获取完整文本
full_content = abstract_elem.xpath("string()").strip()
print(full_content)  # 输出和上面一致

两种方法都能完美解决文本截断的问题，你可以根据自己的项目依赖选择合适的方案~

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