Python Regex - 从XML文件中检索

Question

我目前遇到正则表达式问题。我正在尝试从XML文件中提取项目的名称：https://www.crimezappers.com/rss/catalog/category/cid/97/store_id/1/。我找到了一种方法，然而，它非常笨重，我想知道是否有办法让表达式更小？

这就是我现在所拥有的（很长的路）：<item>\n<title>\n<!\[CDATA\[ ([A-Za-z].[^\]]+)|<item>\n<title>\n<!\[CDATA\[\n([A-Za-z].[^\]]+)

这是我尝试这样做的：<item>\n<title>\n<!\[CDATA\[|(?\n)| |([A-Za-z].[^\]]+)

先谢谢。

Answer 1

使用正则表达式来解析xml不是一个好主意。

使用像lxml这样的xml处理库：

>>> import requests
>>> import lxml.etree
>>> 
>>> r = requests.get('https://www.crimezappers.com/rss/...')
>>> root = lxml.etree.fromstring(r.content)
>>> root.xpath('//item/title/text()')
['Electrical Box HD Hidden Camera with Built in DVR',
 'Mini Clip On Smiley Face Button Spy Hidden Camera with Built in DVR',
 ...]

更新使用正则表达式。

您可以使用\s匹配任何空格字符（包括换行符\n）：

>>> re.findall(r'<item>\s*<title>\s*<!\[CDATA\[\s*(.*?)\s*\]\]>', r.content)
['Electrical Box HD Hidden Camera with Built in DVR',
 'Mini Clip On Smiley Face Button Spy Hidden Camera with Built in DVR',
 ...]

• 将[A-Za-z].[^\]]+替换为(.*?)\]\]>以匹配<![CDATA和]]>之间的所有内容，非贪婪（?）。