python - 从 python 中的行/Robust XML解析器中删除垃圾字符

Question

我有一个包含损坏的 XML 的文件，行尾有一些我想删除的垃圾字符。这些垃圾字符不允许我使用 Python 的 XML 解析器。示例:

<request><pair><name>q</name><value><![CDATA[LOL]]></value></pair><pair><name>start</name><value>1</value></pair></request>�J I�i�Y�Y��'z�3�u�J�5��}���#Q/k;!�ˑ�9Q){_������ŐF
<request><pair><name>q</name><value><![CDATA[LOL2]]></value></pair><pair><name>start</name><value>1</value></pair></request>4/lIT�l��'�c�Oֲ�{�;��_?��(>͏Y�mP��

如何删除 </request> 之后的乱码？或者换句话说，如何删除 </request> 之间的字符串和 <request> ？

请注意 <request>至 </request>只是一行所以

代码:

awk '/<request>/ , /<\/request>/' test.txt

不起作用。

在这种情况下，我的目的是在名称为“q”(LOL 和 LOL2)时提取值。因此，如果这可以轻松完成，我就不会为删除垃圾字符而烦恼。

感谢您的宝贵时间。

Answer 1

您可以使用 lxml 和 xpath 表达式提取数据-

import lxml
from lxml import etree
source_xml = " path to your xml file"
et = etree.parse(source_xml)
value = et.xpath("//document/request/pair[name='q']/value/text()")
print " ".join(value) 

我使用您给定的 xml 示例进行了尝试，我的输出是 'LOL LOL2'