如何使用 regex + Python 从 XML 中获取特定标签属性的值？答案

【问题标题】：How to get value of specified tag attribute from XML using regexp + Python?如何使用 regex + Python 从 XML 中获取特定标签属性的值？
【发布时间】：2013-02-14 07:35:36
【问题描述】：

我有一个解析一些 xml 的脚本。 XML 包含：

<SD TITLE="A" FLAGS="" HOST="9511.com">
<TITLE TEXT="9511 domain"/>
<ADDR STREET="Pmb#400, San Pablo Ave" CITY="Berkeley" STATE="CA" COUNTRY="US"/>
<CREATED DATE="13-Oct-1990" DAY="13" MONTH="10" YEAR="1990"/>
<OWNER NAME="9511.Org Domain Name Proxy Agents"/>
<EMAIL ADDR="proxy@9511.org"/><LANG LEX="en" CODE="us-ascii"/>
<LINKSIN NUM="75"/><SPEED TEXT="3158" PCT="17"/>
<CHILD SRATING="0"/>
</SD>
<SD>
<POPULARITY URL="9511.com/" TEXT="1417678" SOURCE="panel"/>
</SD>

如何获取标签的'TEXT'属性值（在我的例子中是1417678）？我正在使用正则表达式+Python。正则表达式字符串：

my_value = re.findall("POPULARITY[^\d]*(\d+)", xml)

我收到了“9511”，但我需要“1417678”。

【问题讨论】：

请使用 XML 解析器。 Python默认应该有xml模块，如果不喜欢可以安装其他类似的模块。
它更容易，谢谢。我只想知道如何修复我的正则表达式。

标签： python regex python-2.7 xml-parsing

【解决方案1】：

您可以使用BeautifulSoup

import BeautifulSoup

xml = '''<SD TITLE="A" FLAGS="" HOST="9511.com">
<TITLE TEXT="9511 domain"/>
<ADDR STREET="Pmb#400, San Pablo Ave" CITY="Berkeley" STATE="CA" COUNTRY="US"/>
<CREATED DATE="13-Oct-1990" DAY="13" MONTH="10" YEAR="1990"/>
<OWNER NAME="9511.Org Domain Name Proxy Agents"/>
<EMAIL ADDR="proxy@9511.org"/><LANG LEX="en" CODE="us-ascii"/>
<LINKSIN NUM="75"/><SPEED TEXT="3158" PCT="17"/>
<CHILD SRATING="0"/>
</SD>
<SD>
<POPULARITY URL="9511.com/" TEXT="1417678" SOURCE="panel"/>
</SD>'''

soup = BeautifulSoup.BeautifulSoup(xml)

print(soup.find('popularity')['text'])

输出

u'1417678'

【讨论】：

【解决方案2】：

您只是匹配出现在元素名称之后的第一个十进制数字序列。在任意数量的非数字'[^\d]*' 之后的第一个数字序列'(\d+)' 是9511。

为了findall@TEXT 属性的值，这样的事情会起作用：

my_values = re.findall("<POPULARITY(?:\D+=\"\S*\")*\s+TEXT=\"(\d*)\"", xml) # returning a list btw

或者，如果除 @TEXT 之外没有其他属性将具有纯数字值：

 re.findall("<POPULARITY\s+(?:\S+\s+)*\w+=\"(\d+)\"", xml)

其中(?:...) 与包含的表达式匹配，但不充当可寻址组，如(...)。特殊序列\S 和\D 是它们对应的小写字母的反转，分别扩展到（除了）空格和数字。

但是，正如已经提到的，正则表达式并不打算用于 XML，因为 XML 不是常规语言。

【讨论】：