Python非贪婪正则表达式来清理xml

Question

我有一个“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>

我认为以下非贪婪替换会删除 <sometag></sometag> 中未正确封装的字符。

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) 

这个正则表达式似乎只能找到 [[]] 指示的位置在</tag>[[]]<tagTwo> 我做错了什么？

编辑: 这个问题的动机已经解决了(请参阅评论，我在 xml 文件中有一个杂散 & 导致它无法解析 - 它与我要删除的字符无关)。但是，我仍然很好奇正则表达式是否可行(以及我的尝试出了什么问题)，因此我不会删除该问题。

Answer 1

点与换行符不匹配，除非您指定 re.DOTALL标志。

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

应该可以正常工作。 (如果没有，是我的Python有问题，而不是正则表达式有问题。请更正。)

我认为在定义要重复的字符类时尽可能精确是一个很好的做法。这有助于防止catastrophic backtracking 。因此，我会使用 [^<]*而不是.*?额外的好处是它现在可以找到最后一个标签之后的杂散字符。这不需要 re.DOTALL不再标记，因为 [^<]确实匹配换行符。