Python nongreedy regex清理xm

Question

我有一个“xml文件”文件，其中有一些不需要的字符

<data>
  <tag>blar </tag><tagTwo> bo </tagTwo>
  some extra 
  characters not enclosed that I want to remove
  <anothertag>bbb</anothertag>
</data>

我认为下面的非贪心替换将删除<sometag></sometag>中没有正确封装的字符

^{pr2}$

此正则表达式似乎只找到[[]]中[[]]所指示的位置 我做错什么了？在

编辑： 这个问题的动机已经解决了（参见注释，我在xml文件中有一个错误，导致它无法解析-它与我要删除的字符无关）。然而，我仍然很好奇regex是否可行（以及我的尝试有什么问题），因此我不删除这个问题。在

Answer 1

 "</[^>]+?>[^<>]+?<" 

在ipython中：

^{pr2}$

Answer 2

除非指定re.DOTALL标志，否则点与换行符不匹配。在

re.sub("</([a-zA-Z]+)>.*?<","</\\1><",text, flags=re.DOTALL)

应该能正常工作。（如果不是，我的python错了，而不是regex。请更正。）

我认为在定义要重复的字符类时，尽可能精确是一个很好的实践。这有助于防止catastrophic backtracking。因此，我将使用[^<]*而不是.*?，它现在可以在最后一个标记之后找到离群字符。这将不再需要re.DOTALL标志，因为[^<]确实与换行符匹配。在