Python lxml - 获取标签文本的索引

Question

我有一个xml文件,其格式类似于docx,即:

<w:r>
  <w:rPr>
    <w:sz w:val="36"/>
    <w:szCs w:val="36"/>
  </w:rPr>
  <w:t>BIG_TEXT</w:t>
</w:r>

编辑:我需要在源xml中获得"BIG_TEXT"的索引,如:

from lxml import etree
text = open('/devel/tmp/doc2/word/document.xml', 'r').read()

root = etree.XML(text)

start = 0
for e in root.iter("*"):
    if e.text:
        offset = text.index(e.text, start)
        l = len(e.text)
        print 'Text "%s" at offset %s and len=%s' % (e.text, offset, l)
        start = offset + l

我可以从当前索引+ len(文本)的位置开始新的搜索,但还有另一种方法吗？w例如,元素可以具有一个字符.它将找到w标记文本的索引,但不是索引文本的索引w.

Answer 1

我一直在寻找类似的解决方案(在大型xml文件中索引节点以便快速查找).

• AFAIK,lxml只提供源线,这是不够的.Cf API:Original line number as found by the parser or None if unknown.
• 但是expat在文件中提供了精确的偏移量:CurrentByteIndex.
  • 从start_element处理程序获取,它返回标记的开始(即'<')偏移量.
  • 从char_data处理程序获取,它返回数据的开始(即'B'在您的示例中)偏移量.

示例:

import xml.parsers.expat

# handler functions for parser events, and housekeeping.
class handler :
   def __init__(self, current_parser) :
      #tag of interest
      self.TARGET_TAG = "w:t"

      #set up parser
      self.parser = current_parser
      self.parser.StartElementHandler  = self.start_element
      self.parser.EndElementHandler    = self.end_element
      self.parser.CharacterDataHandler = self.char_data

      self.target_tag_met = False
      self.index = None

   def start_element(self, name, attrs):
      self.target_tag_met = (name == self.TARGET_TAG)

   def end_element(self, name) :
      self.target_tag_met = False

   def char_data(self, data):
      if self.target_tag_met :
         self.index = self.parser.CurrentByteIndex

#open file in binary mode for robuster byte offsets.
xmlFile = open("so_test.xml", 'rb')

p = xml.parsers.expat.ParserCreate()
h = handler(p)

p.ParseFile(xmlFile)
print (h.index)