У меня есть этот текст:Извлечение текста с LXML
INTRODUCTION
This is a test document for xml.
I need to extract this sentence.
Conclusion
It should hopefully..
Линия I need to extract this sentence.
курсивом. XML файла выглядит следующим образом:
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>\r\n
<w:document
xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006"
xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"
mc:Ignorable="w14 w15 wp14">
<w:body>
<w:p w:rsidR="00470EEF" w:rsidRDefault="00456755">
<w:pPr>
<w:rPr>
<w:b/>
</w:rPr>
</w:pPr>
<w:r w:rsidRPr="00456755">
<w:rPr>
<w:b/>
</w:rPr>
<w:t>INTRODUCTION</w:t>
</w:r>
</w:p>
<w:p w:rsidR="00456755" w:rsidRPr="00B042E3" w:rsidRDefault="00456755">
<w:pPr>
<w:rPr>
<w:color w:val="FFFF00"/>
</w:rPr>
</w:pPr>
<w:r w:rsidRPr="00B042E3">
<w:rPr>
<w:color w:val="FFFF00"/>
</w:rPr>
<w:t>This is a test document for xml.</w:t>
</w:r>
</w:p>
<w:p w:rsidR="00456755" w:rsidRDefault="00E971E1">
<w:r>
<w:rPr>
<w:i/>
</w:rPr>
<w:t>I need to extract this sentence.</w:t>
</w:r>
<w:bookmarkStart w:id="0" w:name="_GoBack"/>
<w:bookmarkEnd w:id="0"/>
</w:p>
<w:p w:rsidR="00456755" w:rsidRDefault="00456755"/>
<w:p w:rsidR="00456755" w:rsidRDefault="00456755">
<w:pPr>
<w:rPr>
<w:b/>
</w:rPr>
</w:pPr>
<w:r w:rsidRPr="00456755">
<w:rPr>
<w:b/>
</w:rPr>
<w:t>Conclusion</w:t>
</w:r>
</w:p>
<w:p w:rsidR="00456755" w:rsidRPr="00456755" w:rsidRDefault="00456755">
<w:r w:rsidRPr="00456755">
<w:t>It should hopefully</w:t>
</w:r>
<w:r>
<w:t>..</w:t>
</w:r>
</w:p>
<w:sectPr w:rsidR="00456755" w:rsidRPr="00456755">
<w:pgSz w:w="11906" w:h="16838"/>
<w:pgMar w:top="1440" w:right="1440" w:bottom="1440" w:left="1440" w:header="708" w:footer="708" w:gutter="0"/>
<w:cols w:space="708"/>
<w:docGrid w:linePitch="360"/>
</w:sectPr>
</w:body>
</w:document>
Я пробовал:
tree = ET.parse(doc_xml)
[b.tag for b in tree.iterfind(".//i")]
Вышеприведенные возвращает пустой список.
Я много искал, но не смог понять, как это сделать, поскольку текст содержится в пределах <w:i/>
. Я видел это question, где это было сделано легко с помощью BeautifulSoup.
Редактировать: Это не относится точно, но это подход ElementTree для извлечения всего текста.
w = 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'
for p in source.findall('.//{' + w + '}p'):
print ''.join(t.text for t in p.findall('.//{' + w + '}t'))
Возможно, вам потребуется указать пространство имен, URI которого «http://schemas.openxmlformats.org/wordprocessingml/2006/main», привязывая к нему префикс, такой как 'w'. – LarsH
Да, я уже сделал это и даже извлек весь текст тегами «p» и «t». –
Пожалуйста, покажите нам, что вы сделали. Python, который вы показали, не указывает на использование пространств имен. – LarsH