用BeautifulSoup查找嵌套标记的原始位置

Question

我有一组标记，我试图从XML文本中提取这些标记，并确定它们在“呈现”文本中的位置。

例如：

XML：

<p>The risk of sexual transmission of HIV-1 correlates strongly with plasma HIV-1 level.
  <xref ref-type="bibr" rid="pone.0012598-Fideli1">[1]</xref>, 
  <xref ref-type="bibr" rid="pone.0012598-Quinn1">[2]</xref>This association has motivated proposed interventions (such as use of antiretroviral therapy (ART),
  <xref ref-type="bibr" rid="pone.0012598-Cohen1">[3]</xref>, 
  <xref ref-type="bibr" rid="pone.0012598-Granich1">[4]</xref> therapeutic HIV-1 vaccines,<xref ref-type="bibr" rid="pone.0012598-Gurunathan1">[5]</xref> and treatment for co-infections<xref ref-type="bibr" rid="pone.0012598-Corey1">[6]</xref>–<xref ref-type="bibr" rid="pone.0012598-Walson1">[8]</xref> that reduce HIV-1 infectiousness by reducing levels of plasma HIV-1 RNA.

使：

HIV-1的性传播风险与血浆HIV-1水平1密切相关，2这一关联激发了拟议的干预措施(如使用抗逆转录病毒疗法(ART)、3、4种治疗性HIV-1疫苗、5以及通过降低血浆HIV-1 RNA水平来减少HIV-1感染的6-8共感染治疗。

以提取标签及其在渲染文本中的位置。目前，我正在使用bs4和类似于此代码的内容(sent_tokenize来自NLTK工具箱，并从输入文本中创建句子的list )：

for n, p in enumerate(article.find_all('p')):
    rawtext = str(p) #returns the XML version of the text
    readtext = p.text #returns the rendered version
    sents = sent_tokenize(readtext) #splits sentences

    for ref in p.find_all('xref'):
        startloc = rawtext.find(str(ref))
        prestart = max(0, startloc-20)
        for s in sents:
            if s.find(rawtext[prestart:startloc]) > -1:
                print s, ref
                break

此代码无法找到第二个xref上的文本，因为它前面的文本是前一个xref标记的一部分。

有什么建议吗？

Answer 1

没人回应所以我只好即兴发挥。这是我目前的方法：

lens = [len(tag.string) for tag in p.contents]
clens = [sum(lens[:ind]) for ind in xrange(1,len(lens))]
locs = [spot for tag, spot in zip(p.contents, clens) if isinstance(tag, Tag) and tag.name == 'xref']

基本思想是使用string方法，它返回呈现的文本。我用它来确定段落中每个孩子的长度。然后我用这些长度来确定我要找的标签的位置。

希望这能帮到别人！

-Will