剥离（XML？）使用python从文档中标记

Question

我有一个包含科学家姓名的文件，格式如下 <scientist_names> <scientist>abc</scientist> </scientist_names> 我想用python从上面的格式中去掉科学家的名字我该怎么做？？ 我想使用定期抑郁，但不知道如何使用它…请帮助

Answer 1

不要使用正则表达式！（所有原因都解释清楚了[here]）

使用xml/html解析器，看一下BeautifulSoup。在

Answer 2

这是XML，应该使用lxml这样的XML解析器而不是正则表达式（因为XML不是一种正则语言）。在

下面是一个例子：

from lxml import etree
text = """<scientist_names> <scientist>abc</scientist> </scientist_names>"""

tree = etree.fromstring(text)
for scientist in tree.xpath("//scientist"):
    print scientist.text

Answer 3

如前所述，这似乎是xml。在这种情况下，您应该使用xml解析器来解析这个文档；我建议使用lxml（http://lxml.de）。在

根据您的需求，可能会发现使用SAX样式解析比使用DOM样式更方便，因为SAX解析只是在解析器遇到特定标记时注册处理程序，只要标记的含义不依赖于上下文，而且您要处理的标记类型不止一种（这里可能不是这样）。在

如果您的输入文档格式可能不正确，您可能希望使用漂亮的汤：http://www.crummy.com/software/BeautifulSoup/bs3/documentation.html#Parsing XML