Question

我正在编写一个Python 3.2脚本来查找Unicode XML格式文本文件中的字符，这些字符在XML 1.0中无效。文件本身不是XML 1.0，因此它可以很容易地包含1.1及更高版本中支持的字符，但使用它的应用程序只能处理XML 1.0中有效的字符，所以我需要找到它们。

XML 1.0不支持\ u0001- \ u0020范围内的任何字符，但\ u0009，\ u000A，\ u000D和\ u0020除外。除此之外，\ u0021- \ uD7FF和\ u010000- \ u10FFFF也是受支持的范围，但没有别的。在我的Python代码中，我用这种方式定义了正则表达式模式：

re.compile("[^\u0009\u000A\u000D\u0020\u0021-\uD7FF\uE000-\uFFFD\u010000-\u10FFFF]")

但是，下面的代码并没有在我的示例文件中找到已知的错误字符（\ u0007，'bell'字符。）遗憾的是，我无法提供样本行（专有数据）。

我认为问题出现在以下两个地方之一：要么是一个糟糕的正则表达式模式，要么是我打开文件和读取行 - 即。编码问题。当然，我可能是错的。

以下是相关的代码段。

processChunkFile()有三个参数：chunkfile是文件的绝对路径（在这种情况下是原始文件的500,000行的“块”），可能包含或不包含错误字符。 outputfile是要将输出写入的可选的预先存在的文件的绝对路径。 verbose是一个布尔标志，用于启用更详细的命令行输出。其余的代码只是获取命令行参数（使用argparse）并将单个大文件分解为更小的文件。（原始文件通常大于4GB，因此需要“大块”它。）

def processChunkFile(chunkfile, outputfile, verbose):
    """
    Processes a given chunk file, looking for XML 1.0 chars.
    Outputs any line containing such a character.
    """
    badlines = []

    if verbose:
        print("Processing file {0}".format(os.path.basename(chunkfile)))

    # open given chunk file and read it as a list of lines
    with open(chunkfile, 'r') as chunk:
        chunklines = chunk.readlines()

        # check to see if a line contains a bad character;
        # if so, add it to the badlines list
        for line in chunklines:
            if badCharacterCheck(line, verbose) == True:
                badlines.append(line)

    # output to file if required
    if outputfile is not None:
        with open(outputfile.encode(), 'a') as outfile:
            for badline in badlines:
                outfile.write(str(badline) + '\n')

    # return list of bad lines
    return badlines



def badCharacterCheck(line, verbose):
    """
    Use regular expressions to seek characters in a line
    which aren't supported in XML 1.0.
    """
    invalidCharacters = re.compile("[^\u0009\u000A\u000D\u0020\u0021-\uD7FF\uE000-\uFFFD\u010000-\u10FFFF]")
    matches = re.search(invalidCharacters, line)
    if matches:
        if verbose:
            print(line)
            print("FOUND: " + matches.groups())
        return True

    return False

Answer 1

\u010000

Python \u转义只是四位数，因此U + 0100后跟两个U + 0030数字零。对于BMP之外的字符，使用8位数的大写U转义：

\U00010000-\U0010FFFF

请注意，这个和你的表达式一般不适用于Python的“窄版本”，其中字符串基于UTF-16代码单元，BMP之外的字符作为两个代理代码单元处理。（狭义的构建是Windows的默认构建。幸运的是，它们取消了Python 3.3。）

它可以轻松地包含1.1及更高版本中支持的字符

（尽管XML 1.1在将它们编码为数字字符引用&#...;时只能包含这些字符，因此文件本身可能仍然没有格式良好。）

open（chunkfile，'r'）

你确定chunkfile是用locale.getpreferredencoding编码的吗？

原始文件通常大于4GB，因此需要“大块”它。

呃，怪物XML很痛苦。但是对于合理的流式API（和文件系统！），它仍然可以处理。例如，您可以使用for line in chunk:一次处理一行，而不是使用readlines()一次读取所有块。

re.search（invalidCharacters，line）

由于invalidCharacters已经是已编译的模式对象，因此您只需invalidCharacters.search(...)。

说完这一切之后，它仍然适合我与U + 0007贝尔。

Answer 2

删除字符串中两个已知标记或两个已知字符之间的单词，字符，字符串或任何内容的最快方法是使用直接和本地C方法，使用RE和Common，如下所示。

var = re.sub('<script>', '<!--', var)
var = re.sub('</script>', '-->', var)
#And finally
var = re.sub('<!--.*?-->', '', var)

它删除了一切，比美丽的汤更快，更好，更清洁。批处理文件是“”从那里开始并且仅用于从本地C的批处理和html中使用。“当使用所有Pythonic方法和正则表达式时，你必须意识到Python没有改变或改变所有使用的正则表达式通过机器语言，为什么当一个循环在一次迭代中将它全部作为一个块发现时，为什么要迭代很多次呢？同样也单独使用字符。

var = re.sub('\[', '<!--', var)
var = re.sub('\]', '-->', var)
#And finally
var = re.sub('<!--.*?-->', '' var)#wipes it all out from between along with.

你不需要美丽的汤。如果您了解其工作原理，也可以使用它们来处理数据。

用于查找XML 1.0不支持的字符的Python正则表达式不会返回任何结果

2 个答案: