Python text.strip() gibt leer

Question

Guten Morgen alle; Ich versuche, SGML-Dokumente mit diesem Code zu extrahieren, aber ich habe leere Dokumente als Ergebnis, das ist mein Python-Code:

from os import listdir 
from os import makedirs 
from os.path import isfile, join 
from re import sub 
import ast 
import numpy 
import xml.etree.ElementTree as ElementTree 
from lxml import etree 

parser = etree.XMLParser(recover=True) # escaping malformed strings 
pathCol="C:/Users/Desktop/FR" 
pathExtr="C:/Users/Desktop/FRExt" 
i=0 
for f in listdir(pathCol): 
    with open(join(pathCol,f), 'r') as f: # Reading file 
     xml = f.read() 

    xml = '<ROOT>' + xml + '</ROOT>' # Let's add a root tag 
    root = etree.fromstring(xml, parser=parser) 
    for doc in root: 
     try : 
      docNo=doc.find('DOCNO').text.strip() 
     except : 
      i+=1 
      docNo="LATIMES"+str(i) 
     try : 
      text=doc.find('TEXT').text.strip() 
     except : 
      try : 
       text=doc.find('HEADLINE').text.strip() 
      except : 
       try : 
        text=doc.find('GRAPHIC').text.strip() 
       except : 
        text=" " 

     fi=open(join(pathExtr,docNo),'w') 
     fi.write(text) 
     fi.close() 
     print("%s OK" %(docNo)) 
    f.close() 

Und dies ist eine Struktur eines Beispieldokument:

<DOC> 
<DOCNO> LA010189-0001 </DOCNO> 
<DOCID> 1 </DOCID> 
<DATE> 
<P> 
January 1, 1989, Sunday, Home Edition 
</P> 
</DATE> 
<SECTION> 
<P> 
Book Review; Page 1; Book Review Desk 
</P> 
</SECTION> 
<LENGTH> 
<P> 
1206 words 
</P> 
</LENGTH> 
<HEADLINE> 
<P> 
NEW FALLOUT FROM CHERNOBYL; 
</P> 
<P> 
THE SOCIAL IMPACT OF THE ... 
</P> 
</HEADLINE> 
<BYLINE> 
<P> 
By James E. ... 
</P> 
</BYLINE> 
<TEXT> 
<P> 
The onset of the new Gorbachev policy of glasnost,... 
</P> 
... 
</TEXT> 
</DOC> 
<DOC> 
... etc 
</DOC> 

ich möchte den Inhalt zwischen <TEXT> Etiketten für jedes Dokument zwischen <DOC> und </DOC> bekommen, stattdessen habe ich leere Dokumente bekam :( Bitte, gibt es jemanden, der mir helfen kann? vielen Dank.

Answer 1

Es gibt keine text node im //ROOT/DOC/TEXTElement, deshalb gibt doc.find('TEXT').text eine leere Zeichenfolge zurück.

Stattdessen gibt es Element Knoten (aka <P>), die Sie durchlaufen können.

schließlich zu 'stringify' ein Element, können Sie ET.tostring()

TLDR

text = ''.join(map(ET.tostring, doc.find('TEXT'))).strip()