使用 lxml 解析时，字符串在方括号上中断

Question

我是 lxml 解析的新手，无法处理简单的解析问题。我的 xml 中有一行看起来像：

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...

所以，当我执行下面的代码时：

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:
    text = tree.xpath('/pmc-articleset/article/body/sec/p')

    for node in text:
        content = str(node.text).encode("utf-8")
        s = str(' '.join(lxml.html.fromstring(content).xpath("//text()")).encode('latin1'))
        print (s)

结果如下：

The IgM BCR is essential for survival of peripheral B cells ['

即使我只打印 node.text 而没有任何 "join" 命令，结果看起来也很相似。

如何跳过方括号部分并接收完整的字符串？任何帮助将不胜感激！

Answer 1

尝试以下方法：

e = open('somexml.xml', encoding='utf8')

tree = etree.parse(e)

titles = tree.xpath('/pmc-articleset/article/front/article-meta/title-group/article-title')

for title in titles:
    ps = title.xpath('/pmc-articleset/article/body/sec/p')

    for p in ps:
        text = ''.join(p.itertext())
        print(text)

Answer 2

]. In the absence of BTK B cell...是<xref>元素的tail属性的值。参见 http://infohost.nmt.edu/tcc/help/pubs/pylxml/web/etree-view.html。

方括号没有什么特别之处；他们只是角色。

使用itertext()您可以获得元素及其后代的文本内容。 tail 默认包含内容。参见 http://lxml.de/api/lxml.etree._Element-class.html#itertext。

小演示：

from lxml import etree

xml = "<p>TEXT <xref>34</xref>TAIL</p>"
p = etree.fromstring(xml)

print(p.text)
print(''.join(p.itertext()))
print(p.text + p.find("xref").tail)

输出：

TEXT 
TEXT 34TAIL
TEXT TAIL

使用 lxml 解析时，字符串在方括号上中断

String breaks on square bracket when parsed with lxml

python

string

lxml

xml-parsing