在循环中使用 TEI XML 解析器

Posted 2023-03-05

【中文标题】在循环中使用 TEI XML 解析器

【英文标题】：Using TEI XML parser in a loop

【发布时间】：2020-11-21 15:22:07

【问题描述】：

我发现this 关于解析 TEI XML 的文章在处理单个 XML 文件时非常有用。但是，我有一个完整的目录。我通过目录的循环没有执行，我不知道为什么。

from bs4 import BeautifulSoup
import os.path
import glob

tei_docs = "../input/tei-xml-files"
    def read_tei(tei_docs):
    os.chdir(tei_docs)
for i in glob.glob(os.path.join(tei_docs, "*.xml")):
    read_file(i)

def read_file(i):

with open(i, "r") as tei:
    soup = BeautifulSoup(tei, 'lxml')

soup.title.getText()

我得到了输出

名称错误 Traceback（最近一次通话最后一次） 在

----> 1个soup.title.getText()

NameError: name 'soup' 没有定义

【参考方案1】：

您的代码中有几个问题，包括缩进错误。我还编写了一个脚本，用 Beautiful Soup 从 XML 文件中读取标题，如下所示：

#!/usr/bin/env python
# coding: utf-8

from bs4 import BeautifulSoup
import os
from os.path import dirname, join
directory=("C:\\Users\\mbarg\\Documents\\corpus") # location of XML files on local drive

results=[] # create result list
for infile in os.listdir(directory):
    filename=join(directory, infile)
    indata=open(filename,"r", encoding="utf-8", errors="ignore") # UTF-8 encoding errors are ignored
    contents = indata.read()
    soup = BeautifulSoup(contents,'xml')
    titles = soup.find_all('title') # get item titles
    for title in titles:
        print(title.get_text())
        results.append(title.get_text())
print(results) # result list is shown on screen