Question

我有一个巨大的XML文件（大约100MB），每行包含<tag>10005991</tag>行。例如：

textextextextext<tag>10005991<tag>textextextextext
textextextextext<tag>20005992</tag>textextextextext
textextextextext<tag>10005993</tag>textextextextext
textextextextext<tag>20005994</tag>textextextextext

我想替换标签之间的任何字符串，并以“1”开头替换为我选择的字符串，然后写回文件。我已经尝试使用line.replace函数，但只有在我指定字符串时才有效。

line=line.replace("<tag>10005991</tag>","<tag>YYYYYY</tag>")

理想输出：

textextextextext<tag>YYYYYY<tag>textextextextext
textextextextext<tag>20005992</tag>textextextextext
textextextextext<tag>YYYYYY</tag>textextextextext
textextextextext<tag>20005994</tag>textextextextext

我已经考虑使用数组传递每个字符串然后替换，但我确信有一个更简单的解决方案。

Answer 1

您可以使用re module

>>> text = 'textextextextext<tag>10005991</tag>textextextextext'
>>> re.sub(r'<tag>1(\d+)</tag>','<tag>YYYYY</tag>',text)
'textextextextext<tag>YYYYY</tag>textextextextext'

re.sub将使用第二个参数替换匹配的文本。

来自文档的引用

返回通过替换repl替换字符串中最左边非重叠模式而获得的字符串。如果找不到模式，则返回字符串不变。

用法可能如下：

with open("file") as f:
    for i in f:
       with open("output") as f2:
           f2.write(re.sub(r'<tag>1(\d+)</tag>','<tag>YYYYY</tag>',i))

Answer 2

您可以使用正则表达式，但由于您有多行字符串，因此需要使用re.DOTALL标记，并且在您的模式中，您可以使用positive look-around作为标记之间的匹配字符串：

>>> print re.sub(r'(?<=<tag>)1\d+(?=</?tag>)',r'YYYYYY',s,re.DOTALL,re.MULTILINE)
textextextextext<tag>YYYYYY<tag>textextextextext
textextextextext<tag>20005992</tag>textextextextext
textextextextext<tag>YYYYYY</tag>textextextextext
textextextextext<tag>20005994</tag>textextextextext

re.DOTALL

制作'。'特殊字符匹配任何字符，包括换行符;没有这个标志，'。'将匹配除换行符之外的任何内容。

同样@Bhargav Rao在他的回答中做了你可以使用分组而不是环顾四周：

>>> print re.sub(r'<tag>(1\d+)</?tag>',r'<tag>YYYYYY</?tag>',s,re.DOTALL,re.MULTILINE)
textextextextext<tag>YYYYYY</?tag>textextextextext
textextextextext<tag>20005992</tag>textextextextext
textextextextext<tag>YYYYYY</?tag>textextextextext
textextextextext<tag>20005994</tag>textextextextext

Answer 3

我认为最好的办法是使用ElementTree

主要观点： 1）解析文件 2）找到元素值 3）测试你的病情 4）如果满足条件，则替换值

这是开始解析的好地方：How do I parse XML in Python?

如果字符串以“1”开头，则替换标记之间的字符

3 个答案: