用正则表达式解析Python中的XML

Question

我试图使用regex解析一个XML文件（在我的例子中，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>'

要访问标记City_State的文本，我使用：

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

但什么都没有被归还。

有人能指出我做错了什么吗？

Answer 1

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'

Answer 2

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

If you want to locate a match anywhere in string, use search() instead (see also search() vs. match()).

注：

>>> 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^{}：）之类的东西时，为什么要用regex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

Answer 3

re.match只在模式与整个字符串匹配时返回匹配项。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门为该任务设计的库。