python - 使用正则表达式解析类似 xml 的文档

Question

我有一个包含许多类似 xml 的元素的文件，例如这个:

<document docid=1>
Preliminary Report-International Algebraic Language
Perlis, A. J. & Samelson,K.
CACM December, 1958
</document>

我需要解析 docid 和文本。什么是合适的正则表达式？

我已经试过了，但它不起作用:

collectionText = open('documents.txt').read()
docsPattern = r'<document docid=(\d+)>(.)*</document>'
docTuples = re.findall(docsPattern, collectionText)

编辑:我修改了这样的模式:

<document docid=(\d+)>(.*)</document>

不幸的是，这匹配整个文档而不是单个文档元素。

EDIT2:Ahmad 和 Acorn 的正确实现是:

collectionText = open('documents.txt').read()
docsPattern = r'<document docid=(\d+)>(.*?)</document>'
docTuples = re.findall(docsPattern, collectionText, re.DOTALL)

Answer 1

你的模式是贪心的，所以如果你有多个 <document>它最终会匹配所有元素。

您可以使用 .*? 使其成为非贪婪的，意思是“匹配零个或多个字符，尽可能少。”更新后的模式是:

<document docid=(\d+)>(.*?)</document>