Python循环处理XML文件时，如何保留每次修改的结果？

问题描述 #

需要清理XML文件中不必要的节点，仅保留Name为Brand_1的节点。尝试用正则循环替换时，修改无法累积生效，最终达不到预期效果。

当前代码 #

import re
from bs4 import BeautifulSoup as bs
filepath = "C://ddd/test.xml"

xml = '''
 <Images>
    <EmbeddedImage Name="Brand_1">
      <ImageData>/9j/4AAQSkZJB//2Q==</ImageData>
    </EmbeddedImage>
        <EmbeddedImage Name="Brand__2XX">
              <ImageData>/9j/4AAQSkZJB//2Q==JB//2</ImageData>
            </EmbeddedImage>
      <EmbeddedImage Name="Brand___3XX">
      <ImageData>/9j/4AAQSkZAAQSkkB//2Q=AAQSk=</ImageData>
    </EmbeddedImage>
 <Images>'''

Bs_data = bs(xml,'xml')               #contant = xml ??
content = xml
for item in Bs_data.select ('EmbeddedImage'):
    #print('Name= ',item.get('Name'))
    if item.get('Name') != 'Brand_1':
        wild = '<EmbeddedImage Name="'+item.get('Name')+'">.*</EmbeddedImage>' ##<@><< first </ How???
        content = re.sub(wild, '', content , flags=re.DOTALL)
        print ('------------',wild,'::::',content)

print(content) # only Brand_1

问题根源 #

用正则处理XML是错误思路：XML是结构化文档，标签的换行、空格、属性顺序变化都会导致正则匹配失效；同时你的正则使用.*贪婪匹配，会误删多个连续节点，循环中基于原始字符串的替换逻辑也容易出现覆盖问题。

修复方案：用BeautifulSoup直接操作DOM #

BeautifulSoup是专门处理结构化标记语言的工具，直接操作节点比正则可靠得多，步骤如下：

• 解析XML得到DOM树
• 遍历所有节点，删除不符合条件的节点
• 将修改后的DOM树转为字符串输出

修复后的代码 #

from bs4 import BeautifulSoup as bs

xml = '''
 <Images>
    <EmbeddedImage Name="Brand_1">
      <ImageData>/9j/4AAQSkZJB//2Q==</ImageData>
    </EmbeddedImage>
        <EmbeddedImage Name="Brand__2XX">
              <ImageData>/9j/4AAQSkZJB//2Q==JB//2</ImageData>
            </EmbeddedImage>
      <EmbeddedImage Name="Brand___3XX">
      <ImageData>/9j/4AAQSkZAAQSkkB//2Q=AAQSk=</ImageData>
    </EmbeddedImage>
 </Images>'''

# 解析XML
soup = bs(xml, 'xml')

# 找到所有EmbeddedImage节点
images = soup.select('EmbeddedImage')

# 遍历并删除不需要的节点
for img in images:
    if img.get('Name') != 'Brand_1':
        img.decompose()  # 从DOM树中删除节点

# 输出处理后的XML（prettify用于格式化，也可以直接用str(soup)）
print(soup.prettify())

代码说明 #

• img.decompose()：直接从BeautifulSoup的DOM树中移除节点，所有修改会实时保留在soup对象中
• 如果需要处理本地文件，可以扩展为读写文件的形式：

from bs4 import BeautifulSoup as bs

filepath = "C://ddd/test.xml"

# 读取原文件
with open(filepath, 'r', encoding='utf-8') as f:
    xml_content = f.read()

soup = bs(xml_content, 'xml')

# 清理节点
images = soup.select('EmbeddedImage')
for img in images:
    if img.get('Name') != 'Brand_1':
        img.decompose()

# 写入处理后的内容
with open(filepath, 'w', encoding='utf-8') as f:
    f.write(str(soup))

内容的提问来源于stack exchange，提问作者Mich28