我可以让lxml忽略根标记之前和之后的非XML内容吗？

Question

我正在尝试使用lxml处理一个文件，该文件在XML内容之前和之后都可能有一些非xml垃圾，想象有人捕获了一个终端缓冲区，我有这样的东西：

user@host: cat /tmp/log.xml
<log>
  <foo>...</foo>
  <bar>..
...
</bar>

</log>

user@host:

如果我手工使用etree.parse文件名，它会在开头的内容上窒息。我可以删除第一组行，直到找到以'＆lt;'开头的行然后把它交给etree.parse，但随后它就收尾了。打开和关闭非xml垃圾可能是任何东西。我可以坚持在文件中只有有效的XML，但我试图容忍我的输入。 有什么想法吗？

Answer 1

这是方便与正确之间平衡的另一点：

import re

xml = re.search(r"<(\w+).*</\1>", console_output, flags=re.DOTALL).group()

它需要一个以上述格式给出的单个根标签。

Answer 2

最多可以清除前面不是开口角度支架的所有东西，以及从末端开始不是关闭角括号的所有东西：

data = data[data.find('<'):data.rfind('>')]

但是如果在实际XML数据之前的开头有任何开口尖括号，并且在数据末尾有任何额外的结束尖括号，这将很容易掉头。在shell环境中，不不常见。

如果您只是拒绝任何此类输入，那么 会更容易

。