如何提取pdf2txt生成的XML中<figure>标签内的空格分隔文本？

算力阿峰

2026-5-25

提取XML中

标签内的文本并以空格分隔

嘿，我来帮你搞定这个XML文本提取的需求！针对从pdf2txt生成的XML里提取<figure>标签内的所有文本并拼接成空格分隔的字符串，这里有两个实用方案：

推荐方案：用Python的XML解析库处理
正则虽然快，但面对XML的嵌套结构或者带属性的标签很容易翻车，所以优先用专门的XML解析工具。比如Python内置的xml.etree.ElementTree，示例代码如下：

import xml.etree.ElementTree as ET

# 如果你是从文件读取XML，用tree = ET.parse("your_file.xml").getroot()
xml_content = """你的XML片段内容"""
root = ET.fromstring(xml_content)

# 定位所有<figure>标签（支持深层嵌套查找）
figure_tags = root.findall('.//figure')
for tag in figure_tags:
    # 提取标签内所有文本（包括子节点里的），然后用空格拼接并去除首尾多余空格
    result = ' '.join(tag.itertext()).strip()
    print(result)

这个方法能完美处理各种合法的XML结构，确保不会漏掉任何文本内容。

快速方案：正则表达式（仅限简单XML场景）
如果你的XML结构特别简单，<figure>标签里没有嵌套其他标签，也没有额外属性，那可以用正则快速搞定：

import re

xml_content = """你的XML片段内容"""
# 匹配<figure>和</figure>之间的所有内容，包括换行
match_pattern = r'<figure>(.*?)</figure>'
matched_texts = re.findall(match_pattern, xml_content, re.DOTALL)

for text in matched_texts:
    # 把换行、多个连续空格替换成单个空格，再去除首尾空格
    cleaned_text = ' '.join(text.split()).strip()
    print(cleaned_text)

注意：如果XML里有<figure id="xxx">这种带属性的标签，或者标签内嵌套了其他XML元素，正则就会出错，所以只适合简单场景。