如何使用正则表达式在 OPML (XML) 文件中查找引用的属性值答案

【问题标题】：How to use a regex to find quoted attribute values in an OPML (XML) file如何使用正则表达式在 OPML (XML) 文件中查找引用的属性值
【发布时间】：2013-04-24 20:26:27
【问题描述】：

我正在搜索一个看起来像这样的 OPML 文件。我想提取大纲文本和 xmlUrl。

  <outline text="lol">
  <outline text="Discourse on the Otter" xmlUrl="http://discourseontheotter.tumblr.com/rss" htmlUrl="http://discourseontheotter.tumblr.com/"/>
  <outline text="fedoras of okc" xmlUrl="http://fedorasofokc.tumblr.com/rss" htmlUrl="http://fedorasofokc.tumblr.com/"/>
  </outline>

我的功能：

 import re
 rssName = 'outline text="(.*?)"'
 rssUrl =  'xmlUrl="(.*?)"'

 def rssSearch():
     doc = open('ttrss.txt')
     for line in doc:
        if "xmlUrl" in line:
            mName = re.search(rssName, line)
            mUrl = re.search(rssUrl, line)
            if mName is not None:
                print mName.group()
                print mUrl.group()

但是，返回值如下：

 outline text="fedoras of okc"
 xmlUrl="http://fedorasofokc.tumblr.com/rss"

什么是 rssName 和 rssUrl 的正确正则表达式，以便我只返回引号之间的字符串？

【问题讨论】：

与您的问题完全无关，但可能仍然有帮助：您可以预编译正则表达式以节省几纳秒的执行时间。使用rssName = re.compile('outline text="(.*?)"') 和mName = rssName.search(line)。
你为什么要通过正则表达式来做到这一点？这不是正确的工具。使用xml解析器，标准库里有好几种。
关于@DanielRoseman 的建议，如果您想要一些易于使用的东西，包括厨房水槽，请查看美丽的石头汤，美丽汤库的 XML 解析组件。

标签： python xml regex opml

【解决方案1】：

不要使用正则表达式来解析 XML。代码乱七八糟，出错的地方太多了。

例如，如果您的 OPML 提供商碰巧像这样重新格式化他们的输出：

<outline text="lol">
  <outline
      htmlUrl="http://discourseontheotter.tumblr.com/"
      xmlUrl="http://discourseontheotter.tumblr.com/rss"
      text="Discourse on the Otter"
  />
  <outline
      htmlUrl="http://fedorasofokc.tumblr.com/"
      xmlUrl="http://fedorasofokc.tumblr.com/rss"
      text="fedoras of okc"
  />
</outline>

这是完全正确的，它的意思完全一样。但是像'outline text="(.*?)"' 这样的面向行的搜索和正则表达式将会中断。

改为使用 XML 解析器。您的代码会更简洁、更可靠：

import xml.etree.cElementTree as ET

root = ET.parse('ttrss.txt').getroot()
for outline in root.iter('outline'):
    text = outline.get('text')
    xmlUrl = outline.get('xmlUrl')
    if text and xmlUrl:
        print text
        print xmlUrl

这会处理您的 OPML sn-p 和我在网上找到的类似 OPML 文件，例如 political science list。它非常简单，没有什么棘手的。（我不是在吹牛，这只是使用 XML 解析器而不是正则表达式的好处。）

【讨论】：

【解决方案2】：

试试

print mName.group(1)
print mUrl.group(1)

http://docs.python.org/2/library/re.html#re.MatchObject.group

如果 groupN 参数为零，则对应的返回值是整个匹配字符串；如果在包含范围[1..99]内，则为匹配对应括号组的字符串。

或

rssName = 'outline text="(?P<text>.*?)"'

然后

print mName.group('text')

【讨论】：

谢谢！ 1 在这里表示什么以及它是如何解决问题的？