Python 正则表达式太贪心，错过了 XML 中的第一次出现

Question

我有以下 Python 正则表达式:

xml_parse = re.search(r'^.+?<Hit_accession>(\w+?)</Hit_accession>.+?<Hsp_qseq>(\w+?)</Hsp_qseq>\s+?<Hsp_hseq>(\w+?)</Hsp_hseq>\s+?<Hsp_midline>(.+?)</Hsp_midline>',string,flags=re.DOTALL)

对于以下文本:

<?xml version="1.0"?>
 <Hit_accession> Desired Group #1 </Hit_accession>
<Hsp>
 <Hsp_qseq> Desired Group # 2 </Hsp_qseq>
 <Hsp_hseq> Desired Group # 3 </Hsp_hseq>
 <Hsp_midline> Desired Group # 4 </Hsp_midline>
</Hsp>

... way later in the XML string

 <Hit_accession> Undesired Group #1 </Hit_accession>
<Hsp>
 <Hsp_qseq> Undesired Group # 2 </Hsp_qseq>
 <Hsp_hseq> Undesired Group # 3 </Hsp_hseq>
 <Hsp_midline> Undesired Group # 4 </Hsp_midline>
</Hsp>

返回的组是:
(1) 期望组#1
(2) 不需要的第 2 组
(3) 不需要的第 3 组
(4) 不需要的第 4 组

为什么会这样？因为我得到 Desired Group #1 并使用非贪婪 .+?使用 flags=re.DOTALL，我希望它不会跳过任何我想要的组 2-4。

提前致谢。

---

更新:

最终使用 xml.etree.ElementTree 如下:

tree = xml.etree.ElementTree.fromstring(string)
iteration = tree.find("BlastOutput_iterations/Iteration")
hits = iteration.findall("Iteration_hits/Hit")
topHit = hits[0]
accessionNCBI = topHit.findtext("Hit_accession")  

发现以下链接对 NCBI BLAST 特定的 XML 解析示例很有用: http://www.dalkescientific.com/writings/NBN/elementtree.html

Answer 1

嗯，XML 和正则表达式。看起来很有趣。

如何使用内置的 Python XML 库，如 libxml2 或 ElementTree？

from xml.etree.ElementTree import ElementTree
doc = ElementTree(file='myfile.xml')

for e in doc.findall('/Hit_accession'):
    print e.get('Hsp_qseq').text

说真的，你会省去很多麻烦。正则表达式不适用于 XML 解析。