Question

我有多个＆＃34; XML＆＃34;这种格式的文件：

<doc id="123" name="aThing">
BLAH BLAH BLAH
</doc>
<doc id="1234" name="theThing">
BLAH BLAH BLAH
</doc>
<doc id="12345" name="Thing">
BLAH BLAH BLAH
</doc>

我尝试过使用lxml（ET.fromstring(open('aFile.txt').read()）并且没有返回任何内容。我尝试使用BeautifulSoup，但速度太慢了。在每个</ref>中可能会有一些像随机<doc></doc>一样的破解xml，就是它。

我如何在Python中尽可能快地解析它？我更喜欢正则表达式，因为xml结构没有变化，而且必须很快。我不确定如何拆分文件，并使用正则表达式获取id和名称。

Answer 1

您可以使用findall使用以下内容：

import re

pat = re.compile(r'<doc id="([^"]*)" name="([^"]*)">(.*?)</doc>', re.DOTALL)

with open('input.txt') as f: xml = f.read()

matches = pat.findall(xml)

print matches

输出：

[
    ('123', 'aThing', '\nBLAH BLAH BLAH\n'), 
    ('1234', 'theThing', '\nBLAH BLAH BLAH\n'), 
    ('12345', 'Thing', '\nBLAH BLAH BLAH\n')
]

正则表达式/逻辑可能需要一些调整，具体取决于输入数据的格式错误。

以类似XML的格式解析多个文件

1 个答案: