刪除特定定界符內的所有空白

Question

我正在嘗試處理包含格式錯誤的元素的xml文件。

錯誤形成的元素是不遵守以下模式的元素： <name attribute1=value1 attribute2=value2 ... attributeN=valueN>

可以有0到n個屬性。

結果， <my element number>無效，而<my element=number>無效。

這是我的文字樣本：

<product_name>
    A high wind in Jamaica <The innocent voyage>  The modern library of the world s best books   Books  Richard Arthur Warren Hughes
</product_name>

在這里， <product_name>是一個很好的元素，而<The innocent voyage>不是。

當發現不正確的元素時，我希望將<>替換為中性字符，例如+ 。

由於包含這些標簽的文件很大（1.5 GB），所以我寧願不使用蠻力方法。

你們會看到一種快速（如果可能的話，優雅）的方法來解決這個問題嗎？

Answer 1

如您所言，您寧願遠離regex ，我也能夠創建以下不使用regex代碼（盡管我確信regex會非常有用）

def valid_tag(tag):
    temp = tag.split()
    for word in temp[1:]:
        if "=" not in word:
            return False
    return True

在這里，您將標簽作為字符串作為參數傳遞。 例如： "<hello test=test>"

您可以對每個標簽運行此測試，方法是創建另一種獲取標簽的方法，方法是先找到一個"<" ，然后是第一個">" ，然后從該字符串中創建子字符串，該子字符串將成為您傳遞給此方法的標簽。

注意：這假定您的標簽是這樣寫的： <hello test=test>而不是< hello test = test >

該方法仍然非常原始，並且如我上面所述做了一些假設，但希望它將為您提供所需的開始。