python - 使用 python 正则表达式处理 xml 输入

Question

我需要先清理一个 xml 文件，然后才能处理它。该文件的开头和结尾有垃圾，然后在元素之间有垃圾。这是一个示例文件：

junkjunkjunkjunk<root>
\par junkjunkjunkjunkjunk<level1>useful info to keep</level1>
</root>
junkjunkjunkjunk

如何使用正则表达式删除（替换？）开始和结束垃圾，然后是中间垃圾？中间的垃圾总是以“\par ...”开头。

Answer 1

以下语句应该删除垃圾（假设您的文档存储在名为 的变量中xml）：

import re

xml = re.sub(r'.*<root>', '<root>', xml, flags=re.DOTALL)    # Remove leading junk
xml = re.sub(r'\\par[^<]*<', '<', xml)                       # Middle junk
xml = re.sub(r'</root>.*', '</root>', xml, flags=re.DOTALL)  # Trailing junk

请注意，这假设您知道根元素的名称（在这种情况下，它称为root），否则您可能需要稍微调整一下。