使用正则表达式从GML CityJSON提取数值遇阻求助

你的正则操作可能踩了这些坑 #

• 标签匹配失败的常见原因：

  • 标签内容换行：你用的.*?默认不匹配换行符，如果<bldg:lod2TerrainIntersection>和闭合标签之间的内容换行了，正则就抓不到。可以给正则加单行模式（比如Python里用re.DOTALL），或者把正则改成(?s)<bldg:lod2TerrainIntersection>(.*?)</bldg:lod2TerrainIntersection>。
  • 标签存在空格或大小写差异：比如文件里的标签是<bldg:lod2TerrainIntersection >（闭合标签前有空格），或者前缀不是bldg，正则里的硬编码就匹配不上。
  • CityJSON与GML的结构混淆：CityJSON本身是JSON格式，如果文件是CityJSON而非纯GML，那你找的标签根本不存在。

• 数值提取失败的原因：

  • 你的正则\d+\.\d+匹配不了带负号的数值（比如-123.4567），应该改成-?\d+\.\d+。
  • 如果数值被嵌套在JSON数组或对象里，直接全局匹配会抓到无关的数值，必须先定位到正确的上下文再提取。

更靠谱的实现方案 #

别用正则处理GML/CityJSON这种结构化格式，用专门的解析工具才是正道：

处理CityJSON（JSON格式） #

如果是标准CityJSON文件，直接用JSON解析库：

import json

with open("your_file.city.json", "r") as f:
    data = json.load(f)

# 根据实际文件结构遍历，假设数值在lod2TerrainIntersection的边界坐标中
for feature in data.get("CityObjects", {}).values():
    geom = feature.get("geometry", [{}])[0]
    if "lod2TerrainIntersection" in geom.get("type", ""):
        for boundary in geom.get("boundaries", []):
            for coord_group in boundary:
                for num in coord_group:
                    # 筛选xxx.xxxx格式的数值
                    num_str = str(num)
                    if "." in num_str and len(num_str.split(".")[0].lstrip("-")) == 3 and len(num_str.split(".")[1]) == 4:
                        print(num)

处理GML格式 #

如果是纯GML文件，用XML解析库比如lxml：

from lxml import etree
import re

tree = etree.parse("your_file.gml")
# 从文件的xmlns:bldg属性中获取对应的命名空间，替换下面的URL
namespaces = {"bldg": "http://www.opengis.net/citygml/building/2.0"}

# 提取所有目标标签的文本内容
elements = tree.xpath("//bldg:lod2TerrainIntersection/text()", namespaces=namespaces)
for text in elements:
    # 提取数值并筛选格式
    nums = re.findall(r"-?\d+\.\d+", text)
    filtered_nums = [num for num in nums if len(num.split(".")[0].lstrip("-")) == 3 and len(num.split(".")[1]) == 4]
    print(filtered_nums)

内容的提问来源于stack exchange，提问作者pcace