[英]how to remove or replace specific chars are between two xml tags [linux, python, lxml, sed, awk,…]?
我在python中使用LXML库进行XML解析。
在XML文件中,我有一些不良字符导致python中出现以下错误:
lxml.etree.XMLSyntaxError:CharRef
在python中打开并获取XML文件的内容之前,我必须从两个标记中删除不良字符:
1: <essid cloaked="true">....</essid>
或<essid cloaked="false">....</essid>
。
2: <client-manuf>....</client-manuf>
XML文件的大小很大。 所以我想用sed或awk或类似工具来做。
<crypt>0</crypt>
<total>20 50</total>
<fragments>0</fragments>
<retries>0</retries>
</packets>
<datasize>0</datasize>
<wireless-client number="1" type="established" first-time="Thu Feb 15 16:45:43 2018" last-time="Thu Feb 15 16:45:43 2018">
<client-mac>08:EA:40:D0:55:43</client-mac>
<client-manuf>SHENZHEN BILIAN ELECTRONIC CO.&#x ef;&#x bc;&#x 8c;LTD</client-manuf>
<essid cloaked="true">&#x 0;&#x 0;&#x 0;&#x 0;&#x 0;</essid>
<channel>8</channel>
<maxseenrate>1.000000</maxseenrate>
<carrier>IEEE 802.11b+</carrier>
<encoding>CCK</encoding>
<packets>
<LLC>0</LLC>
<data>0</data>
<crypt>0</crypt>
我想从这些标签中删除坏字符(client-manuf和essid)。
来自: <client-manuf>SHENZHEN BILIAN ELECTRONIC CO.&#x ef;&#x bc;&#x 8c;LTD</client-manuf>
致(或本): <client-manuf>SHENZHEN BILIAN ELECTRONIC CO. LTD</client-manuf>
致(或本): <client-manuf>SHENZHEN BILIAN ELECTRONIC CO</client-manuf>
来自: <essid cloaked="true">&#x 0;&#x 0;&#x 0;&#x 0;&#x 0;</essid>
来自: <essid cloaked="false">&#x 0;&#x WiFi 0;&#x MTN 0;&#x 0;&#x 0;</essid>
To(或this): <essid cloaked="true"></essid>
To(或this): <essid cloaked="true">N/A SSID</essid>
To(或this): <essid cloaked="false">WiFi MTN</essid>
for example, two bad chars:
1: 0;
2: &#x
这是我的解决方案。 但它不能很好地满足我的需求:
sed -e '/<essid cloaked="\\(true\\|false"\\)>*.*<\\/essid>/ s/\\(&#x\\|0;\\)//g' a.txt
使用etree.XMLParser
对象的正确方法( lxml.etree
):
import re
from lxml import etree
tags_to_fix = ['clientssss-manuf', 'client-manuf', 'essid']
parser = etree.XMLParser(recover=True) # recovery mode !
tree = etree.parse("input.xml", parser)
for el in tree.xpath('//*[name()="clientssss-manuf" or name()="client-manuf" or name()="essid"]'):
el.text = re.sub(r'\w{1,2};\s*', '', el.text).strip()
tree.write("output.xml", encoding="utf-8", pretty_print=True)
结果output.xml
的关键片段:
...
<packets>
<crypt>0</crypt>
<total>20 50</total>
<fragments>0</fragments>
<retries>0</retries>
</packets>
<datasize>0</datasize>
<wireless-client number="1" type="established" first-time="Thu Feb 15 16:45:43 2018" last-time="Thu Feb 15 16:45:43 2018">
<client-mac>08:EA:40:D0:55:43</client-mac>
<clientssss-manuf>SHENZHEN BILIAN ELECTRONIC CO. LTD</clientssss-manuf>
<client-manuf>SHENZHEN BILIAN ELECTRONIC CO. LTD</client-manuf>
<essid cloaked="true"></essid>
<channel>8</channel>
<maxseenrate>1.000000</maxseenrate>
<carrier>IEEE 802.11b+</carrier>
<encoding>CCK</encoding>
<packets>
<LLC>0</LLC>
<data>0</data>
<crypt>0</crypt>
</packets></wireless-client>
...
你的sed命令看起来并不那么糟糕,只留下了很多空白。
由于sed通常是贪婪的,你可以用“*”指定任意数量的空格。
cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/ s/ *\(&#x\|0;\) *//g'
另一方面,如果有一些有效的文本,您可能不想将它们粘在一起,因此您可以为每个删除的模式添加一个空格:
cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/ s/ *\(&#x\|0;\) */ /g'
最后,您可以将多个空格压缩为一个:
cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/{s/ *\(&#x\|0;\) */ /g;s/ */ /g}'
注意,构造{foo; bar}将两个命令绑定到一个命令块,仅对之前抓取的模式进行操作。 第二种模式会影响整个文件。
使用另一对蒙版括号和蒙版加:
cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/{s/\( *\(&#x\|0;\) *\)\+/ missing essid /g;s/ */ /g}'
你可以:用一个东西代替一个模式的重复出现。
s/\( *\(&#x\|0;\) *\)\+/ missing essid /;
^ ( (pattern1) )+ / replacement /(g now obsolete
(pattern .......2)
内部模式是替代&#x或0;。 外部图案是内部图案,可选择由空白保护
"0;"
"0; "
" 0; "
" 0;"
" 0; "
" &#x"
等等。
你想要内部模式,我们称之为X,重复一次或多次,因此+。 但是没有parens,+只能解决最后一个字符,而不是整个模式。
你必须学习这种正则表达式语言。 找一个教程。 你不能要求在生活中需要的每一种可能的变化。
有了良好的基本理解,它会很快得到回报。 你不需要知道所有的东西,但基本的东西,应该有一个很好的估计,什么是可能的,什么不是。 然后一个回购,搜索的东西,很少使用。 然后你可能只会问困难/复杂的东西。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.