Python 正则表达式不按预期工作
我写了一个正则表达式：
<entry>\\n<(\w+)>(.+?)</\w+>\\n</entry>
用来解析以下RSS源：
<?xml version="1.0" encoding="UTF-8"?>\n<feed version="0.3" xmlns="http://purl.org/atom/ns#">\n<title>Gmail - Inbox for g.bargelli@gmail.com</title>\n<tagline>New messages in your Gmail Inbox</tagline>\n<fullcount>2</fullcount>\n<link rel="alternate" href="http://mail.google.com/mail" type="text/html" />\n<modified>2011-03-15T11:07:48Z</modified>\n<entry>\n<title>con due mail...</title>\n<summary>Gianluca Bargelli http://about.me/proudlygeek/bio</summary>\n<link rel="alternate" href="http://mail.google.com/mail?account_id=g.bargelli@gmail.com&message_id=12eb9332c2c1fa27&view=conv&extsrc=atom" type="text/html" />\n<modified>2011-03-15T11:07:42Z</modified>\n<issued>2011-03-15T11:07:42Z</issued>\n<id>tag:gmail.google.com,2004:1363345158434847271</id>\n<author>\n<name>me</name>\n<email>g.bargelli@gmail.com</email>\n</author>\n</entry>\n<entry>\n<title>test nuova mail</title>\n<summary>Gianluca Bargelli sono tornato!?& http://about.me/proudlygeek/bio</summary>\n<link rel="alternate" href="http://mail.google.com/mail?account_id=g.bargelli@gmail.com&message_id=12eb93140d9f7627&view=conv&extsrc=atom" type="text/html" />\n<modified>2011-03-15T11:05:36Z</modified>\n<issued>2011-03-15T11:05:36Z</issued>\n<id>tag:gmail.google.com,2004:1363345026546890279</id>\n<author>\n<name>me</name>\n<email>g.bargelli@gmail.com</email>\n</author>\n</entry>\n</feed>\n'skinner.com/products/spl].
问题是，我在使用Python的re模块时没有得到任何匹配结果：
import re
regex = re.compile("""<entry>\\n<(\w+)>(.+?)</\w+>\\n</entry>""")
regex.findall(rss_string) # Returns an empty list
在网上的正则表达式测试工具（比如这个）上测试是正常的，所以我觉得这不是正则表达式的问题。
编辑
我知道用正则表达式解析上下文无关文法是个坏主意，但在我的情况下，这个正则表达式可能只适用于这个RSS源（顺便说一下，这是一个Gmail收件箱的源），而且我知道我可以使用外部库/xml解析器来完成这个任务：这只是一个练习，不是一个习惯。
我的问题应该是为什么下面的正则表达式在Python中不能按预期工作？
4 个回答
2
不要用正则表达式来解析XML或HTML！
可以使用以下工具：
- BeautifulSoup（一个很棒的库）
- lxml（另一个强大的库）
- pyquery（也很不错的选择）
祝你好运！
补充：哦对了，这是RSS。其他人说的都对……我会在这里待一周。
4
你不应该用正则表达式来解析XML，应该使用Universal Feed Parser这个Python库。用这个库来处理XML会让你的工作简单很多，而且经过很多次的实际使用，证明它是可靠的。
我个人也用过这个库很多次，效果非常好。
6
在正则表达式编译器看到一个字符串之前，Python已经处理过反斜杠转义了，所以你需要把它转义两次（比如说，\\\\n代表\\n）。不过，Python有一个很方便的写法，专门用来处理这种情况，只需要在字符串前面加一个r：
regex = re.compile(r"""<entry>\\n<(\w+)>(.+?)</\w+>\\n</entry>""")
顺便说一下，我同意这里其他人的看法，不要用正则表达式来解析XML。不过，希望你在将来的正则表达式中能觉得这种字符串写法有用。