Python从文档中剥离XML标记

Question

我正在尝试使用Python来删除文档中的XML标记,这是我新手使用的语言.这是我第一次尝试使用正则表达式,whixh实际上是一个希望最好的想法.

mfile = file("somefile.xml","w")

for line in mfile:
    re.sub('<./>',"",line) #trying to match elements between < and />

那次失败了.我想知道如何使用正则表达式来完成它.

这似乎工作.但我想知道是否有一种更简单的方法来摆脱所有的xml标签？也许使用ElementTree？

Answer 1

最可靠的方法是使用LXML.

from lxml import etree
...
tree = etree.parse('somefile.xml')
notags = etree.tostring(tree, encoding='utf8', method='text')
print(notags)

它将避免使用正则表达式"解析"XML的问题,并且应该正确处理转义和所有内容.

Answer 2

替代Jeremiah的答案,不需要lxml外部库:

import xml.etree.ElementTree as ET
...
tree = ET.fromstring(Text)
notags = ET.tostring(tree, encoding='utf8', method='text')
print(notags)

应该适用于任何Python> = 2.5

Answer 3

请注意，通常通过正则表达式来完成此操作是不正常的。参见耶利米的回答。

尝试这个：

import re

text = re.sub('<[^<]+>', "", open("/path/to/file").read())
with open("/path/to/file", "w") as f:
    f.write(text)