如何用Python移除XML标签外的无效<、>字符？

问题场景 #

你有如下无效XML：

<tag>test ,test <adjs@gmail.com></tag>

该XML无效的原因是文本内容中包含了不属于合法标签的<和>，需要在保留原有XML标签的前提下，移除这些多余字符。

解决方案 #

可以通过正则表达式精准匹配标签之间的文本内容，仅对这些文本中的<和>进行移除操作，代码实现如下：

import re

# 读取XML文件内容
with open('file.xml', 'r', encoding='utf-8') as file:
    xml_content = file.read()

# 清理非标签内的<和>字符
def remove_invalid_characters(xml_text):
    # 匹配标签闭合>到下一个标签开启<之间的文本内容
    return re.sub(r'>([^<]+)<', lambda match: '>' + match.group(1).replace('<', '').replace('>', '') + '<', xml_text)

# 执行清理操作
cleaned_xml_content = remove_invalid_characters(xml_content)

# 将清理后的内容写入新文件
with open('file_cleaned.xml', 'w', encoding='utf-8') as file:
    file.write(cleaned_xml_content)

print("已移除标签内容中的无效'<', '>'字符。")

代码说明 #

• 正则表达式>([^<]+)<：精准匹配两个标签之间的文本片段（即>之后、<之前的所有内容），确保只处理标签外的文本。
• lambda替换逻辑：对匹配到的文本部分（match.group(1)）移除所有<和>，再拼接回前后的标签符号，保证原有标签不受影响。

内容的提问来源于stack exchange，提问作者xcostal