使用正则表达式在 Python 中解析 XML答案

【问题标题】：Parsing XML in Python with regex使用正则表达式在 Python 中解析 XML
【发布时间】：2013-08-11 04:15:51
【问题描述】：

我正在尝试使用正则表达式来解析 XML 文件（在我的情况下，这似乎是最简单的方法）。

例如，一行可能是：

line='<City_State>PLAINSBORO, NJ 08536-1906</City_State>'

要访问标签 City_State 的文本，我使用的是：

attr = re.match('>.*<', line)

但没有返回任何内容。

谁能指出我做错了什么？

【问题讨论】：

我不得不链接this answer。
一旦找到您喜欢的库，使用合适的 XML 库并不难。我发现ElementTree 是标准库中最好用的，untangle 是最简单的（它将 XML 转换为常规字典/列表等）
当，@Johnsyweb 打败了我！
>谁能指出我做错了什么？ A：您正在尝试使用正则表达式解析 XML。
我之前尝试过 ElementTree，但我遇到了内存问题。文件大小为 250Mb。由于我正在解析的 XML 文件非常简单，所以我认为使用正则表达式更容易。

标签： python xml regex

【解决方案1】：

您通常不想使用re.match。 Quoting from the docs:

如果您想在字符串中的任意位置找到匹配项，请改用search()（另请参阅search() vs. match()）。

注意：

>>> print re.match('>.*<', line)
None
>>> print re.search('>.*<', line)
<_sre.SRE_Match object at 0x10f666238>
>>> print re.search('>.*<', line).group(0)
>PLAINSBORO, NJ 08536-1906<

另外，当您可以使用 BeautifulSoup 之类的东西时，为什么要使用正则表达式解析 XML :)。

>>> from bs4 import BeautifulSoup as BS
>>> line='<City_State>PLAINSBORO, NJ 08536-1906</City_State>'
>>> soup = BS(line)
>>> print soup.find('city_state').text
PLAINSBORO, NJ 08536-1906

【讨论】：

【解决方案2】：

请使用像 ElementTree 这样的 XML 解析器

>>> from xml.etree import ElementTree as ET
>>> line='<City_State>PLAINSBORO, NJ 08536-1906</City_State>'
>>> ET.fromstring(line).text
'PLAINSBORO, NJ 08536-1906'

【讨论】：

【解决方案3】：

re.match 仅当模式匹配整个字符串时才返回匹配项。要查找与模式匹配的子字符串，请使用 re.search。

是的，这是解析 XML 的一种简单方法，但我强烈建议您使用专为该任务设计的库。

【讨论】：

如果它确实确实解析了 XML，那将只是“解析 XML 的一种简单方法”。它没有。（请参阅：缺乏对检测评论或 CDATA 块的支持；用于处理字符实体；等等等等）。
次要点：re.match 是左侧锚定的，但不必消耗整个字符串。非常松散地，给定正则表达式X，re.match 就像使用^X 的re.search（但不是^X$）。还有其他区别，尤其是包含换行符的字符串；请参阅Haidro's answer 中的文档链接。