在XML中解析模板标签的正则表达式

Question

在XML中解析模板标签的正则表达式

3

我需要解析一些XML以提取嵌入的模板标签以便进行进一步解析。然而，我似乎无法通过Python的正则表达式来实现我想要的功能。

简而言之，当一个模板标签包含在行中的任何位置时，删除该行的所有XML，只保留模板标签。

我编写了一个测试用例来演示。以下是原始XML：

<!-- regex_trial.xml -->
<w:tbl>
    <w:tr>
        <w:tc><w:t>Header 1</w:t></w:tc>
        <w:tc><w:t>Header 2</w:t></w:tc>
        <w:tc><w:t>Header 3</w:t></w:tc>
    </w:tr>
     <w:tr>
        <w:tc><w:t>{% for i in items %}</w:t></w:tc>
        <w:tc><w:t></w:t></w:tc>
        <w:tc><w:t></w:t></w:tc>
    </w:tr>
    <w:tr>
        <w:tc><w:t>{{ i.field1 }}</w:t></w:tc>
        <w:tc><w:t>{{ i.field2 }}</w:t></w:tc>
        <w:tc><w:t>{{ i.field3 }}</w:t></w:tc>
    </w:tr>
    <w:tr>
        <w:tc><w:t>{% endfor %}</w:t></w:tc>
        <w:tc><w:t></w:t></w:tc>
        <w:tc><w:t></w:t></w:tc>
    </w:tr>
</w:tbl>

这是所期望的结果：

这是期望的结果：

<!-- regex_desired_result.xml -->
<w:tbl>
    <w:tr>
        <w:tc><w:t>Header 1</w:t></w:tc>
        <w:tc><w:t>Header 2</w:t></w:tc>
        <w:tc><w:t>Header 3</w:t></w:tc>
    </w:tr>
    {% for i in items %}
    <w:tr>
        <w:tc><w:t>{{ i.field1 }}</w:t></w:tc>
        <w:tc><w:t>{{ i.field2 }}</w:t></w:tc>
        <w:tc><w:t>{{ i.field3 }}</w:t></w:tc>
    </w:tr>
    {% endfor %}
</w:tbl>

这是我正在使用的一些Python代码进行测试：

#!/usr/bin/env python
import re
f = open( 'regex_trial.xml', 'r' )
orig_xml = f.read()
f.close()
p = re.compile( '<w:tr.*?(?P<tag>{%.*?%}).*?</w:tr>', re.DOTALL )
new_xml = p.sub( '\g<tag>', orig_xml, 0 )
print new_xml

这个正则表达式的实际结果是:

<!-- regex_trial.xml -->
<w:tbl>
    {% for i in items %}
    {% endfor %}
</w:tbl>

任何帮助都将不胜感激！如果我们能解决这个问题，我们就能够从Django-powered网站动态生成MS Word docx文件。谢谢！更新：这是我使用的最终代码。

from xml.etree import ElementTree
import cStringIO as StringIO

TEMPLATE_TAG = 'template_text'

tree = ElementTree.parse( 'regex_trial.xml' )
rows = tree.getiterator('tr')
for row in rows:
    for cell in row.getiterator('t'):
        if cell.text and cell.text.find( '{%' ) >= 0:
            template_tag = cell.text
            row.clear()
            row.tag = TEMPLATE_TAG
            row.text = template_tag
            break

output = StringIO.StringIO()
tree.write( output )
xml = output.getvalue()
xml = xml.replace('<%s>' % TEMPLATE_TAG, '')
xml = xml.replace('</%s>' % TEMPLATE_TAG, '')
print xml

感谢您的所有帮助！

- aeb6

2

@user425130 你考虑过使用 XML/XSLT 解析器吗？ - Oscar Mederos

感谢参与！我考虑过使用XSL，但那变得相当混乱 - 你必须检查每个tr，需要有一个xpath表达式来检查子tc的内容。然后你还得处理我们不想处理的其他99%的内容。唉。 - aeb6

@user425130，+1个很棒的解决方案！太棒了！ - Mike Pennington

1

+1：非常棒的第一个问题！ - jathanism

2个回答

3

永远不要使用正则表达式解析HTML、XML或SGML。

始终使用像lxml、libxml2或Beautiful这样的工具——它们将比你的代码做得更聪明、更好。

- user2665694

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Mike Pennington · Accepted Answer

请不要使用正则表达式解决这个问题。

我是认真的，使用正则表达式解析XML很困难，并且会使您的代码难以被其他人维护50倍。 lxml是Python程序员用来解析XML的事实标准工具...请查看Stack Overflow上的本文以获取示例用法。或者考虑这个答案, 这应该是被接受的答案。

我快速创建了一个演示...它搜索具有非空<w:t>子元素的<w:tc>并在每个元素旁边打印good。

import lxml.etree as ET
from lxml.etree import XMLParser

def worthy(elem):
    for child in elem.iterchildren():
        if (child.tag == 't') and (child.text is not None):
            return True
    return False

def dump(elem):
    for child in elem.iterchildren():
        print "Good", child.tag, child.text

parser = XMLParser(ns_clean=True, recover=True)
etree = ET.parse('regex_trial.xml', parser)
for thing in etree.findall("//"):
    if thing.tag == 'tc' and worthy(thing):
        dump(thing)

产量...

Good t Header 1
Good t Header 2
Good t Header 3
Good t {% for i in items %}
Good t {{ i.field1 }}
Good t {{ i.field2 }}
Good t {{ i.field3 }}
Good t {% endfor %}