Python 非贪婪正则表达式来清理 xml答案

【问题标题】：Python non-greedy regex to clean xmlPython 非贪婪正则表达式来清理 xml
【发布时间】：2011-10-06 07:00:12
【问题描述】：

我有一个“xml 文件”文件，其中包含一些不需要的字符

<data>
  <tag>blar </tag><tagTwo> bo </tagTwo>
  some extra 
  characters not enclosed that I want to remove
  <anothertag>bbb</anothertag>
</data>

我认为以下非贪婪替换会删除未正确封装在 <sometag></sometag> 中的字符

re.sub("</([a-zA-Z]+)>.*?<","</\\1><",text)
            ^          ^ ^     ^      text is the xml txt.  
         remember tag, | |     put tag back without and reopen next tag
               read everything until the next '<' (non-gready)

这个正则表达式似乎只能在</tag>[[]]<tagTwo> 中找到[[]] 指示的位置我做错了什么？

编辑： 这个问题的动机已经解决（参见 cmets，我在 xml 文件中有一个杂散的 & 导致它无法解析 - 它与我要删除的字符无关）。但是，我仍然对正则表达式是否可行（以及我的尝试有什么问题）感到好奇，所以我没有删除这个问题。

【问题讨论】：

@cwallenpoole：我不想解析 xml。我正在尝试清理 xml 文件，以便我可以让它被解析器接受。欢迎任何有关如何执行此操作的非正则表达式建议
哪个解析器不接受这个？
@IgnacioVazquez-Abrams xml.dom.mindom 我已编辑问题以包含回溯
听起来你里面有一个杂散的&符号。
& 符号的字符实体引用是&amp;。但是，您不能只做一个全局 S+R，因为这可能会弄乱其他有效的事情。

标签： python regex regex-greedy non-greedy

【解决方案1】：

除非您指定 re.DOTALL 标志，否则点不匹配换行符。

re.sub("</([a-zA-Z]+)>.*?<","</\\1><",text, flags=re.DOTALL)

应该可以正常工作。（如果没有，我的 python 有问题，而不是正则表达式。请更正。）

我认为在定义要重复的字符类时尽可能精确是一种很好的做法。这有助于防止catastrophic backtracking。因此，我会使用[^<]* 而不是.*?，另外它现在可以在最后一个标签之后找到杂散字符。这将不再需要 re.DOTALL 标志，因为 [^<] 确实匹配换行符。

【讨论】：

【解决方案2】：

 "</[^>]+?>[^<>]+?<"

在 ipython 中：

In [1]: a="<data>  <tag>blar </tag><tagTwo> bo </tagTwo>  some extra   characters not enclosed that I want to remove  <anothertag>bbb</anothertag></data>"

In [2]: import re

In [3]: re.sub( "(</[^>]+?>)[^<>]+?<" ,"\\1<",a)
Out[3]: '<data>  <tag>blar </tag><tagTwo> bo </tagTwo><anothertag>bbb</anothertag></data>'

【讨论】：