使用正则表达式从xml中删除行

Question

我正在处理一个巨大的xml文件，并且不想使用XML软件，因为我从PubMed网站导出的xml文件的结构不正确，不时会发生变化，所以我想要删除notepad ++中的某些xml节点或使用regex删除ultraedit。如何删除例如整行？

<ArticleId IdType="pii">S1806-83242018000100950</ArticleId>

Answer 1

要删除文件中包含ArticleId元素的每一行，您需要此正则表达式：

^.*<ArticleId IdType="pii">.*$

如果结束标记不在同一行，则无效。

Answer 2

使用 Perl正则表达式搜索字符串：

^[\t ]*<ArticleId IdType="pii">.*</ArticleId>[\t ]*(?:\r?\n|\r|$)

此正则表达式字符串搜索

• ^ ...从行的开头
• [\t ]* ...用于0个或更多水平制表符或空格（可选的主要制表符/空格）
• <ArticleId IdType="pii"> ...此字符串
• .* ...除newline个字符
以外的任何字符0次或更多次
• </ArticleId> ...此字符串
• [\t ]* ...用于0个或更多水平制表符或空格（可选的尾随制表符/空格）
• (?: ... ) ...带有一个带有OR表达式的非标记组
• \r?\n|\r|$ ...回车（可选）和换行或只是回车或行/文件的结尾。

所以(?:\r?\n|\r|$)匹配

• 回车+换行，这是以DOS / Windows文本文件结尾的行，
• 或只是换行符，这是以UNIX文本文件结尾的行，
• 或者只是回车符，这是在MAC OS X之前的MAC文本文件中结束的行。

$与行结尾字符不匹配。它只是在<ArticleId IdType="pii">.*</ArticleId>的情况下添加，也可以在文件末尾找到没有行结束，即文件中的最后一行没有行结束。

也可能是搜索字符串：

[\t ]*<ArticleId IdType="pii">.*</ArticleId>[\t ]*(?:\r?\n|\r)?

现在要删除的XML元素也可以在包含另一个标记的行中，因为^删除了行的开头，并且匹配行结尾只是可选的。所以它不像上面的搜索表达那样限制行。

Answer 3

如果您想要使用ArticleId删除所有行，而不考虑其内容或属性，则可以直接搜索：

<ArticleId.+<\/ArticleId>