问题描述
我正在训练语言模型。我的输入是 XML 格式的字幕。我只需要从中获取纯文本并将其保存到文本文件中,以便我可以使用它。
输入
<?xml version="1.0" encoding="utf-8"?> <document> <s id="1"> <time id="T1S" value="00:00:14,660" /> <w id="1.1">-</w> <w id="1.2">Všetko</w> <w id="1.3">v</w> <w id="1.4">poriadku</w> <w id="1.5">.</w> </s></document>
输出
- Všetko v poriadku .
解决方法
在 XML 术语中,您需要感兴趣的 XML 元素的字符串值。
这里是如何使用 XPath 在 Python 中获取根元素的字符串值:
import lxml.etree as ET
xmlstr = """
<r status="ready">
<line>First line.</line>
<line>Second line,with <i>italic text</i>.</line>
</r>
"""
root = ET.fromstring(xmlstr)
svalue = root.xpath('string(/)')
print(svalue)
上面的代码只打印文本,
First line.
Second line,with italic text.
按要求