用正则表达式在Python中解析XML

Question

我正在尝试使用正则表达式来解析一个XML文件（在我的情况下，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>'

为了访问标签"City_State"的文本，我正在使用：

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

但是什么也没有被返回。

有人能指出我做错了什么吗？

- user2671656

---

我被迫链接这个答案。 - johnsyweb

使用适当的XML库并不难，一旦你找到了一个你喜欢的库。我发现ElementTree是标准库中最好用的之一，而untangle则是最简单的（它将XML转换为常规字典/列表等）。 - dbr

当，@Johnsyweb比我先完成了！ - torek

有人能指出我哪里做错了吗？A：你正在尝试使用正则表达式解析XML。 - Michael Kay

我之前尝试过使用ElementTree，但是遇到了内存问题。文件大小为250Mb。由于我要解析的XML文件非常简单，所以我认为使用正则表达式更容易些。 - user2671656

Answer 1

通常不建议使用 re.match。引用自文档（链接）：

如果要在字符串中查找匹配项，请改用 search()（还可参见search() vs. match()）。

注意：

>>> 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<

---

此外，为什么要用正则表达式解析XML，当你可以使用像 BeautifulSoup 这样的工具呢？ :)

>>> 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

- TerryA

Answer 2

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'

- Viktor Kerkez

Answer 3

如果模式与整个字符串匹配，则 re.match 仅返回匹配项。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设计用于此任务的库。

- Kyle

---

只有当它真正解析XML时，它才能成为“解析XML的简单方法”。但事实并非如此。(请参见：缺乏检测注释或CDATA块的支持；处理字符实体等等)。 - Charles Duffy

小细节：re.match 左侧锚定但不必消耗整个字符串。非常宽松地说，给定正则表达式 X，re.match 就像使用 ^X 的 re.search（但不是 ^X$）。还有其他差异，特别是包含换行符的字符串；请参见Haidro's answer中的文档链接。 - torek