Verfahrgeschwindigkeit TEI in Python 3, Text kommt leer für einige Einheiten

Question

Ich habe einen TEI-codierten XML-Datei mit Einheiten wie folgt:

<sp> 
    <speaker rend="italic">Sampson.</speaker> 
    <ab> 
     <lb n="5"/> 
     <hi rend="italic">Gregory:</hi> 
     <seg type="homograph">A</seg> my word wee'l not carry coales.<lb n="6"/> 
    </ab> 
</sp> 
<sp> 
    <speaker rend="italic">Greg.</speaker> 
    <ab>No, for then we should be Colliars. 
     <lb n="7" rend="rj"/> 
    </ab> 
</sp> 

Die vollständige Datei ist sehr groß, aber kann hier abgerufen werden: http://ota.ox.ac.uk/desc/5721. Ich versuche Python 3 zu verwenden, um das XML zu durchlaufen und den ganzen Text zu erhalten, der mit dem Tag verbunden ist, wo der Dialog gefunden wird.

import xml.etree.ElementTree as etree 
tree = etree.parse('romeo_juliet_5721.xml') 
doc = tree.getroot() 
for i in doc.iter(tag='{http://www.tei-c.org/ns/1.0}ab'): 
     print(i.tag, i.text) 
>>> http://www.tei-c.org/ns/1.0}ab 
>>>     
>>> {http://www.tei-c.org/ns/1.0}ab No, for then we should be Colliars. 

Der Ausgang fängt die gerade fein Einheiten aber nicht erkennt, wie der Text des ersten ab „mein Wort wee'l nicht coales tragen“. Wenn es in einem anderen Element ist, sehe ich es nicht. Ich habe darüber nachgedacht, das gesamte Element in eine Zeichenkette umzuwandeln und den Elementtext mit Regex zu erhalten (oder durch Entfernen aller XML-Tags), aber ich würde lieber verstehen, was hier passiert. Vielen Dank für Ihre Hilfe.

Answer 1

Das ist, weil in dem ElementTree Modell der Text "mein Wort Wee'l Coales nicht tragen." wird tail von <seg> Element betrachtet anstelle von text von <ab>. Um den Text eines Elements sowie den Schwanz seiner Kinder zu erhalten, können Sie diesen Weg versuchen:

for i in doc.iter(tag='{http://www.tei-c.org/ns/1.0}ab'): 
    innerText = i.text+''.join((text.tail or '') for text in i.iter()).strip() 
    print(i.tag, innerText)