解析带注释的文件

Question

我正在尝试解析一个文件，这个文件里面有人的名字注释，格式是这样的：

<name> James Gold 

</name> said to meet with <name> Mable Helen  </name> tomorrow night

我想用Python的正则表达式来处理这个，但一直没成功。我使用的是：

annotation = re.findall(' <name>(.*)</name>', lines)

我想提取所有在<name>标签里的内容，但这些标签可能会分布在不同的行上。我试过把所有行连接起来并去掉换行符，但还是没用。有没有什么好主意？

Answer 1

我同意Acorn的看法，你应该使用XML解析器。如果你非得用正则表达式（比如这是个学校作业什么的），那么你需要使用re.S这个标志。默认情况下，.这个符号是不会匹配换行符的，而re.S会强制它匹配换行符。不过，这样一来，你的.*组合就会变得贪婪，可能会匹配到比你想要的更多的内容，所以你需要调整一下你的表达式。

Answer 2

如果你要处理的内容是XML格式的，最好不要用正则表达式。应该使用像lxml这样的解析器。

import lxml.etree as et

xml="""
<root>
<name> James Gold

</name> said to meet with <name> Mable Helen </name> tomorrow night
</root>
"""

tree=et.fromstring(xml)

for name in tree.xpath("//name"):
    print name.text.strip()

结果：

James Gold
Mable Helen

Answer 3

假设这个文件只是一个带注释的文件，而不是XML文件（如果是XML文件，可以使用Acorn的解决方案），你应该使用一些re标志来跳过换行符，并且更好地使用.。

>>> src = """<name> James Gold
... </name> said to meet with <name> Mable Helen  </name> tomorrow night"""
>>>
>>> [s.strip() for s in re.findall(r'<name>(.*?)</name>', src, re.DOTALL)]
['James Gold', 'Mable Helen']

然后，只需用strip处理结果，以确保得到一个正确的字符串，特别是当它跳过了换行符的时候。另外，你的正则表达式缺少了?这个操作符，因此它会把内容一直读取到最后一个</name>标签为止。