使用Python解码_xHHHH_ XML转义序列

Question

我正在使用Python 2.x（这个不可以改变）来读取一些XML文档（这些文档是别人创建的），这些文档的很多元素内容中包含一些不符合XML标准的字符。为了处理这些字符，它们使用了一种特殊的方式来转义，叫做<_xHHHH_>的格式，比如ASCII的BEL字符（也就是U+0007）会被表示成7个字符的序列。在这个文档中，既不能改变如何表示这些字符，也不能改变转义的方式。我是用cElementTree或lxml来解析这些文档（这个可以稍微调整一下）。

这是我尽量高效地处理解析结果的尝试：

import re
def unescape(s,
    subber=re.compile(r'_x[0-9A-Fa-f]{4,4}_').sub,
    repl=lambda mobj: unichr(int(mobj.group(0)[2:6], 16)),
    ):
    if "_" in s:
         return subber(repl, s)
    return s

上面的代码是基于我观察到在普通文本中“_”这个字符出现频率很低，并且通过尽量避免使用正则表达式来提高速度，速度提升了超过一倍。

我的问题是：有没有更好的方法呢？

Answer 1

你可以检查一下 '_x'，而不仅仅是 _，这样做也没什么大不了的，不过 '_x' 这个组合出现的机会比单个下划线要少得多。除了这些细节，你似乎在糟糕的情况下也尽量做得很好！