从XML中提取值

Question

非常业余的程序员在这里，希望得到你的帮助。

我经常需要编辑像这样的xml文件

    --- blah blah blah plenty xml stuff above ---
    <lex marker="mala" sentiment="negative"/>
    <lex marker="malas" sentiment="negative"/>
    <lex marker="maleducad\p{Ll}*" sentiment="negative" regex="true"/>
    <lex marker="mali\p{Ll}+sima\p{Ll}*" sentiment="negative" regex="true"/>
    <lex marker="mali\p{Ll}+simo\p{Ll}*" sentiment="negative" regex="true"/>
    --- blah blah blah plenty xml stuff below ---

通过使用相当复杂的正则表达式搜索和替换过程，我只能提取标记属性的值。（这是我关心的全部内容）。

但这很耗时间，必须有一种在Python中查找属性marker="SOME_TEXT"的相当简单的方法，并将所有值放入一个数组中，然后之后再将该数组打印到文件中。但我无法想出解决方法:(

我正在寻找一种不需要导入任何XML库的方法，因为我希望将它保持尽可能简单（和合乎逻辑），让我的业余编程思维从中学习，并且我只对特定属性的数据感兴趣，我并不关心文件的其余部分（或其XML属性）。

我之所以询问Python是因为我认为这是一种我热衷于学习的语言。但如果你知道一种Linux终端的方法来处理它（如sed、awk等），我也很高兴采用那种方式。

- aName

---

请使用XML解析器。 - squiguy

Answer 1

使用正则表达式匹配XML会变得太复杂，太快了。你真的不应该这样做。

相反，应该使用XML解析器，Python有几个可供选择：

• ElementTree是标准库的一部分
• lxml是一个快速且功能丰富的基于C的库。

ElementTree示例：

from xml.etree import ElementTree

tree = ElementTree.parse('filename.xml')
for elem in tree.findall('lex'):
    print elem.attrib['marker']

- Martijn Pieters

---

非常感谢。但是如果将来发送给我的一堆文件不是XML文件怎么办？因此最好有一个编程过程，可以查找特定的文本块，并保留该文本块之间的所有内容。 - aName

如果将来你收到一堆不是XML文件的文件，你需要调整你的代码。现在你得到的是XML，而XML解析器是正确的工具。如果你收到的是JSON数据呢？你的正则表达式也无法匹配那种格式的数据。 - Martijn Pieters

好的，公平。给你点个赞。谢谢。 - aName