Python Regex 向后看

Question

我有以下文字：

<clipPath id="p54dfe3d8fa">
   <path d="M 112.176 307.8 
L 112.176 307.8 
L 174.672 270 
L 241.632 171.72 
L 304.128 58.32 
L 380.016 171.72 
L 442.512 217.08 
L 491.616 141.48 
L 491.616 307.8 
z
"/>
  </clipPath>
  <clipPath id="p27c84a8b3c">
   <rect height="302.4" width="446.4" x="72.0" y="43.2"/>
  </clipPath>

我需要把这部分拿出来：

d="M 112.176 307.8 
L 112.176 307.8 
L 174.672 270 
L 241.632 171.72 
L 304.128 58.32 
L 380.016 171.72 
L 442.512 217.08 
L 491.616 141.48 
L 491.616 307.8 
z
"

我需要将此部分替换为其他内容。我能够获取整个 <clipPath ...><path d="[code i want]"/> 但这对我没有帮助，因为我无法覆盖 <clipPath> 元素中的 id。

请注意，我不想触及其他<clipPath> 元素。我只想更改<clipPath> 元素中的<path> 元素。

我认为答案与选择 clipPath 元素之前的所有内容并在 Path 部分结束有关。任何帮助将不胜感激。

我一直在使用http://pythex.org/ 寻求帮助，并且还看到了奇怪的行为（与多行和空格有关），这些行为与 python 3.x 代码之间的行为不同。

以下是我尝试过的一些事情：

reg = r'(<clipPath.* id=".*".*>)'
reg = re.compile(r'(<clipPath.* id=".*".*>\s*<path.*d="(.*\n)+")')
reg = re.compile(r'((?<!<clipPath).* id=".*".*>\s*<path.*d="(.*\n)+")')

g = reg.search(text)
g

Answer 1

regex 是 从不解析 xml 的正确方法。

这是一个使用lxml 的简单独立示例：

from lxml import etree

text="""<clipPath id="p54dfe3d8fa">
   <path d="M 112.176 307.8
L 112.176 307.8
L 174.672 270
L 241.632 171.72
L 304.128 58.32
L 380.016 171.72
L 442.512 217.08
L 491.616 141.48
L 491.616 307.8
z
"/>
  </clipPath>
  <clipPath id="p27c84a8b3c">
   <rect height="302.4" width="446.4" x="72.0" y="43.2"/>
  </clipPath>"""

# This creates <metrics>
root = etree.XML("<X>"+text+"</X>")
p = root.find(".//path")
print(p.get("d"))

结果：

M 112.176 307.8 L 112.176 307.8 L 174.672 270 L 241.632 171.72 L 304.128 58.32 L 380.016 171.72 L 442.512 217.08 L 491.616 141.48 L 491.616 307.8 z 

• 首先，我创建主节点。由于有多个节点，所以我将其包装在任意主节点中
• 然后我在任何地方寻找“路径”
• 一旦找到，我就会得到d 属性

现在我正在更改 d 的文本并将其转储：

p.set("d","[new text]")
print(etree.tostring(root))

现在的输出是这样的：

...
<path d="[new text]"/>\n
...

仍然，快速和肮脏，可能对几个 path 节点不健壮，但可以与您提供的 sn-p 一起使用（我不是 xml 专家，只是摸索）

顺便说一句，另一种 hacky/非正则表达式的做法：使用多字符 split:

text.split(' d="')[1].split('"/>')[0]

取d分隔符之后的第二部分，然后是/>分隔符之后的第一部分。保留多行格式。

Answer 2

TL;DR: r'<clipPath.* id="[a-zA-Z0-9]+".*>\s*<path.*d=("(?:.*\n)+?")'

让我们分解一下......

您从：r'(<clipPath.* id=".*".*>\s*<path.*d="(.*\n)+")' 开始，它将您的整个捕获模式包含在一个组中，因此整个元素将被捕获在匹配对象中。让我们去掉那些括号：r'<clipPath.* id=".*".*>\s*<path.*d="(.*\n)+"'

接下来，您似乎经常使用.*，这可能很危险，因为它既盲目又贪婪。对于 clipPath id，如果你知道 id 总是字母数字，更好的解决方案可能是r'<clipPath.* id="[a-zA-Z0-9]+".*>\s*<path.*d="(.*\n)+"'

最后，让我们看看您真正想要捕捉的内容。您的示例显示您想要捕获引号，所以让我们将它们放入我们的捕获组中：...*d=("(.*\n)+")。这给我们留下了一个奇怪的嵌套组情况，所以让我们让内部组不被捕获：...*d=("(?:.*\n)+")。

现在我们正在捕捉您想要的东西，但我们仍然有一个问题......如果有多个元素满足这些条件怎么办？ + 在...*d=("(.*\n)+") 中的贪婪匹配将捕获中间的任何一条线。我们可以在这里做的是通过在? 后面跟随...*d=("(?:.*\n)+?") 使+ 不贪婪。

把所有这些东西放在一起：

r'<clipPath.* id="[a-zA-Z0-9]+".*>\s*<path.*d=("(?:.*\n)+?")'

Answer 3

一个基于xml 的解决方案，用于编辑路径。

import xml.dom.minidom

# Open XML document using minidom parser
DOMTree = xml.dom.minidom.parseString('<X>' + my_xml + '</X>')
collection = DOMTree.documentElement
for clip_path in collection.getElementsByTagName("clipPath"):
    paths = clip_path.getElementsByTagName('path')
    for path in paths:
        path.setAttribute('d', '[code i want]')

print DOMTree.toxml()

使用的数据：

my_xml = """
    <clipPath id="p54dfe3d8fa">
       <path d="M 112.176 307.8
    L 112.176 307.8
    L 174.672 270
    L 241.632 171.72
    L 304.128 58.32
    L 380.016 171.72
    L 442.512 217.08
    L 491.616 141.48
    L 491.616 307.8
    z
    "/>
      </clipPath>
      <clipPath id="p27c84a8b3c">
       <rect height="302.4" width="446.4" x="72.0" y="43.2"/>
      </clipPath>
"""