使用lxml解析XML时字符串在方括号处中断的问题求助

嘿，作为lxml新手遇到这个问题太正常啦！我来帮你搞定～

你遇到的核心问题是：当XML节点里包含子元素（比如这里的<xref>）时，直接提取文本会被子元素截断，只拿到第一个文本片段。举个例子，你的目标节点结构大概是这样的：

<article-title>
  The IgM BCR is essential for survival of peripheral B cells [<xref ref-type="bibr" rid="CR34">34</xref>]. In the absence of BTK B cell...
</article-title>

这里的文本被<xref>分成了三个部分：<article-title>的text（方括号前的内容）、<xref>的text（34），以及<xref>的tail（方括号后的内容）。如果你直接用node.text或者普通的text()xpath，只会拿到第一部分，自然就中断在方括号处了。

给你几个简单的解决方案：

方法1：用xpath的string()函数直接获取完整文本 #

可以直接在xpath表达式里使用string()，它会把目标节点下所有的文本内容（包括子元素里的）拼接起来：

import lxml.etree as etree

e = open('somexml.xml', encoding='utf8')
tree = etree.parse(e)
# 用string()提取完整文本
full_titles = tree.xpath('/pmc-articleset/article/front/article-meta/title-group/article-title/string()')
for title in full_titles:
    print(title)

方法2：遍历节点时用text_content()方法 #

lxml的元素对象自带text_content()方法，专门用来获取节点下所有文本的拼接结果，用法更直观：

import lxml.etree as etree

e = open('somexml.xml', encoding='utf8')
tree = etree.parse(e)
titles = tree.xpath('/pmc-articleset/article/front/article-meta/title-group/article-title')
for node in titles:
    # 用text_content()拿到完整文本
    full_text = node.text_content()
    print(full_text)

方法3：遍历节点时用node.xpath('string()') #

和方法1原理一样，只是针对单个节点来调用：

for node in titles:
    full_text = node.xpath('string()')
    print(full_text)

这三种方法都能帮你拿到完整的文本，不会在方括号处中断啦～

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