Python正则表达式问题

Question

我正在尝试使用下面的 Python 脚本从 WURFL XML 文件中提取所有手机屏幕分辨率。问题是我只得到了第一场比赛。为什么？我怎样才能获得所有匹配项？

WURFL XML 文件可以在 http 中找到://sourceforge.net/projects/wurfl/files/WURFL/latest/wurfl-latest.zip/download?use_mirror=freefr

def read_file(file_name):
    f = open(file_name, 'rb')
    data = f.read()
    f.close()
    return data

text = read_file('wurfl.xml')

import re
pattern = '<device id="(.*?)".*actual_device_root="true">.*<capability name="resolution_width" value="(\d+)"/>.*<capability name="resolution_height" value="(\d+)"/>.*</device>'
for m in re.findall(pattern, text, re.DOTALL):
    print(m)

Answer 1

首先，使用 XML 解析器而不是正则表达式。从长远来看，你会更快乐。

其次，如果您坚持使用正则表达式，请使用 finditer() 而不是 findall()。

第三，您的正则表达式从第一个条目到最后一个条目匹配（.* 是贪婪的，并且您已设置DOTALL 模式），因此请查看第一段或在至少将正则表达式更改为

pattern = r'<device id="(.*?)".*?actual_device_root="true">.*?<capability name="resolution_width" value="(\d+)"/>.*?<capability name="resolution_height" value="(\d+)"/>.*?</device>'

此外，始终将原始字符串与正则表达式一起使用。 \d 恰好可以工作，但是 \b 在“正常”字符串中会出现意外的行为。

Answer 2

这是 findall 行为的一个奇怪之处，具体来说，findall 只返回每个模式匹配中的第一个匹配组。请参阅此问题。

Answer 3

您正在使用“贪婪”匹配： .* 将匹配尽可能多的文本，这意味着 之前的 .* > 匹配大部分文件。

text = open('wurfl.xml').read()
pattern = r'<device id="(.*?)".*?actual_device_root="true">.*?<capability name="resolution_width" value="(\d+)"/>.*?<capability name="resolution_height" value="(\d+)"/>.*?</device>'
for m in re.findall(pattern, text, re.DOTALL):
    print m

Answer 4

如果需求很简单，我当然不反对使用正则表达式处理 xml，但也许在这种情况下使用真正的 xml 解析器会更好。使用 stdlib etree 模块和一些（恕我直言）丑陋的 xpath：

import xml.etree.ElementTree as ET

def capability_value(cap_elem):
    if cap_elem is None:
        return None
    return int(cap_elem.attrib.get('value'))

def devices(wurfl_doc):
    for el in wurfl_doc.findall("/devices/device[@actual_device_root='true']"):
        width = el.find("./group[@id='display']/capability[@name='resolution_width']")
        width = capability_value(width)
        height = el.find("./group[@id='display']/capability[@name='resolution_height']")
        height = capability_value(height)
        device = {
            'id' : el.attrib.get('id'), 
            'resolution' : {'width': width, 'height': height}
        }
        yield device

doc = ET.ElementTree(file='wurfl.xml')
for device in devices(doc):
    print device