Python非貪婪正則表達式清除xml

Question

我有一個“ xml文件”文件，其中包含一些不需要的字符

<data>
  <tag>blar </tag><tagTwo> bo </tagTwo>
  some extra 
  characters not enclosed that I want to remove
  <anothertag>bbb</anothertag>
</data>

我認為以下非貪婪替換將刪除<sometag></sometag>中未正確裝入的字符

re.sub("</([a-zA-Z]+)>.*?<","</\\1><",text)
            ^          ^ ^     ^      text is the xml txt.  
         remember tag, | |     put tag back without and reopen next tag
               read everything until the next '<' (non-gready) 

這個正則表達式似乎只在</tag>[[]]<tagTwo>找到用[[]]指示的位置。我在做什么錯？

編輯：解決了這個問題的動機（請參閱注釋，我在xml文件中有一個流浪＆導致其無法解析-與我要刪除的字符無關）。 但是，我仍然對正則表達式是否可能（以及我的嘗試有什么問題）感到好奇，因此我不刪除該問題。

Answer 1

點不匹配換行符，除非您指定re.DOTALL標志。

re.sub("</([a-zA-Z]+)>.*?<","</\\1><",text, flags=re.DOTALL)

應該工作正常。 （如果不是，則我的python出錯了，不是正則表達式。請更正。）

我認為，在定義要重復的字符類時，盡可能精確是一種好習慣。 這有助於防止災難性的回溯 。 因此，我將使用[^<]*代替.*? 加上額外的好處，它現在可以在最后一個標記之后找到流浪字符。 因為[^<]確實與換行符匹配，所以不再需要re.DOTALL標志。

Answer 2

 "</[^>]+?>[^<>]+?<" 

在ipython中：

In [1]: a="<data>  <tag>blar </tag><tagTwo> bo </tagTwo>  some extra   characters not enclosed that I want to remove  <anothertag>bbb</anothertag></data>"

In [2]: import re

In [3]: re.sub( "(</[^>]+?>)[^<>]+?<" ,"\\1<",a)
Out[3]: '<data>  <tag>blar </tag><tagTwo> bo </tagTwo><anothertag>bbb</anothertag></data>'