Python findall 和正则表达式答案

【问题标题】：Python findall and regular expressionsPython findall 和正则表达式
【发布时间】：2011-07-18 13:58:57
【问题描述】：

我正在解析一个包含两种不同类型行的 xml 文件（下面称为 xml）：

1. <line a="a1" b="b1" c="c1">
2. <line a="a2" c="c2">

我试图只从第二种类型中提取 a2 和 c2，但是这个正则表达式也捕获第一种类型：

>>> list = re.findall('<line a="(.*)" c="(.*)">', xml)
>>> print(list)
[('a1" b="b1', 'c1'), ('a2', 'c2')]

如何只捕获第二种类型？

【问题讨论】：

为什么要使用正则表达式来解析 XML？它们并不完全正常...例如，您是否查看过 ElementTree 库？

标签： python regex findall

【解决方案1】：

使用像ElementTree 这样的适当的 XML 解析库，而不是诉诸正则表达式，这更有意义。例如：

>>> xmlstr = """\
... <root>
...   <line a="a1" b="b1" c="c1"></line>
...   <line a="a2" c="c2"></line>
... </root>
... """
>>> import xml.etree.ElementTree as ET
>>> root = ET.XML(xmlstr)
>>> root.findall('./line')
[<Element 'line' at 0x226db70>, <Element 'line' at 0x226de48>]
>>> filtered = [line for line in root.findall('./line') if line.get('b') is None]
>>> for line in filtered:
...     print ET.tostring(line)
...
<line a="a2" c="c2" />

>>>

【讨论】：

我通过 timeit 运行它，正则表达式解决方案大约快 50 倍。所以如果速度很重要，你知道你在找什么，你知道你会得到什么样的 xml，那么使用正则表达式可能是更好的选择
以可维护性和可读性为代价。还有 cElementTree 实现了相同的 API，但在原生 C 中作为扩展模块。但是，如果速度对您来说非常重要，为什么首先要使用 Python？ ;-)
也感谢您提供此方法。它对我正在处理的其他一些任务很有用。

【解决方案2】：

* 操作符默认是贪婪的。尝试 ([^"]*) 而不是 (.*)

【讨论】：