如何删除或替换两个xml标记之间的特定字符[linux，python，lxml，sed，awk，…]？

Question

我使用python中的LXML库进行XML解析。在

在一个XML文件中，我有一些不好的字符，导致python中出现以下错误：

lxml.etree.XMLSyntaxError: CharRef

在python中打开和获取XML文件的内容之前，我必须从两个标记中删除坏字符：

1:<essid cloaked="true">....</essid>或<essid cloaked="false">....</essid>。在

2:<client-manuf>....</client-manuf>

XML文件的大小很大。所以我想用sed或者awk或者类似的工具来做。在

    <crypt>0</crypt>
        <total>20    50</total>
        <fragments>0</fragments>
        <retries>0</retries>
    </packets>
    <datasize>0</datasize>
    <wireless-client number="1" type="established" first-time="Thu Feb 15 16:45:43 2018" last-time="Thu Feb 15 16:45:43 2018">
        <client-mac>08:EA:40:D0:55:43</client-mac>
        <client-manuf>SHENZHEN BILIAN ELECTRONIC CO.&#x  ef;&#x  bc;&#x  8c;LTD</client-manuf>
        <essid cloaked="true">&#x   0;&#x   0;&#x   0;&#x   0;&#x   0;</essid>
        <channel>8</channel>
        <maxseenrate>1.000000</maxseenrate>
        <carrier>IEEE 802.11b+</carrier>
        <encoding>CCK</encoding>
        <packets>
            <LLC>0</LLC>
            <data>0</data>
            <crypt>0</crypt>

我想删除这些标签上的坏字符（客户manuf和essid）。在

发件人：<client-manuf>SHENZHEN BILIAN ELECTRONIC CO.&#x ef;&#x bc;&#x 8c;LTD</client-manuf>

收件人（或此）：<client-manuf>SHENZHEN BILIAN ELECTRONIC CO. LTD</client-manuf>

收件人（或此）：<client-manuf>SHENZHEN BILIAN ELECTRONIC CO</client-manuf>

-----------------------------------------------在

发件人：<essid cloaked="true">&#x 0;&#x 0;&#x 0;&#x 0;&#x 0;</essid>

发件人：<essid cloaked="false">&#x 0;&#x WiFi 0;&#x MTN 0;&#x 0;&#x 0;</essid>

收件人（或此）：<essid cloaked="true"></essid>

收件人（或此）：<essid cloaked="true">N/A SSID</essid>

收件人（或此）：<essid cloaked="false">WiFi MTN</essid>

^{pr2}$

这是我的解决方案。但这并不符合我的需要：

sed -e '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/ s/\(&#x\|0;\)//g' a.txt

Answer 1

你的sed命令看起来没那么糟糕，只是留下了很多空白。在

由于sed通常是贪婪的，所以可以用“*”指定任意数量的空间。在

cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/ s/ *\(&#x\|0;\) *//g'

另一方面，如果有一些有效的文本，您可能不想将其粘在一起，因此可以为每个删除的模式添加一个空格：

^{pr2}$

最后，您可以将多个空间压缩为一个：

cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/{s/ *\(&#x\|0;\) */ /g;s/  */ /g}'

注意，构造{foo；bar}将这两个命令绑定到一个命令块，只在before-grabbed模式上操作。否则会影响整个文件。

加上另一对屏蔽括号和一个屏蔽的加号：

cat bad.xml | sed '/<essid cloaked="\(true\|false"\)>*.*<\/essid>/{s/\( *\(&#x\|0;\) *\)\+/ missing essid /g;s/  */ /g}'

你可以用一件事来代替一个模式的重复出现。在

      s/\( *\(&#x\|0;\) *\)\+/ missing essid /;
      ^  (   (pattern1)   )+ / replacement   /(g now obsolete
         (pattern .......2)

内部模式是另一种选择&；x或0；。 外部图案是内部图案，可以选择用类似于

     "0;"
     "0; "
     " 0; "
     " 0;"
     "    0;  "
     "    &#x"

等等。在

你想要内部模式，我们称之为X，重复一次或多次，因此是+。但是如果没有parens，+只处理最后一个字符，而不是整个模式。在

你必须学习这种regex语言。找一个教程。你不能要求你生活中需要的每一种可能的变化。在

拥有良好的、基本的理解会很快得到回报。你不需要通过炉灶知道一切，但基本的东西和应该有一个好的估计，什么是可能的和什么不可能。那么回购，就是为了找东西，很少用。然后你可能只问那些难的/复杂的东西。在

Answer 2

使用etree.XMLParser对象的正确方法（lxml.etree仅限）：

import re
from lxml import etree

tags_to_fix = ['clientssss-manuf', 'client-manuf', 'essid']
parser = etree.XMLParser(recover=True)   # recovery mode !
tree = etree.parse("input.xml", parser)

for el in tree.xpath('//*[name()="clientssss-manuf" or name()="client-manuf" or name()="essid"]'):
    el.text = re.sub(r'\w{1,2};\s*', '', el.text).strip()

tree.write("output.xml", encoding="utf-8", pretty_print=True)

产生的output.xml的关键片段：

^{pr2}$