使用python regex处理xml输入

Question

我需要先清理一个xml文件，然后才能处理它。文件在开始和结束处有垃圾，然后在元素之间有垃圾。下面是一个示例文件：

junkjunkjunkjunk<root>
\par junkjunkjunkjunkjunk<level1>useful info to keep</level1>
</root>
junkjunkjunkjunk

如何使用regex进行剪切（替换？）开始和结束的垃圾，然后中间的垃圾？中间的垃圾总是以“\par…”开头。你知道吗

Answer 1

以下语句应该删除垃圾（假设文档存储在名为xml的变量中）：

import re

xml = re.sub(r'.*<root>', '<root>', xml, flags=re.DOTALL)    # Remove leading junk
xml = re.sub(r'\\par[^<]*<', '<', xml)                       # Middle junk
xml = re.sub(r'</root>.*', '</root>', xml, flags=re.DOTALL)  # Trailing junk

注意，这假设您知道根元素的名称（在本例中，它被称为root），否则您可能需要稍微调整一下。你知道吗