无法从XML文件提取32位字符串的Python代码问题

我编写了一段Python代码，功能为让用户指定目录后遍历其中的.xml文件，从每个文件中提取长度为32位的字符串（仅要求长度，内容无关）。我使用regex模块实现，但运行时程序能找到所有XML文件，string_recovery函数却仅返回空列表，而我已确认XML文件中确实存在32位字符串。

原代码如下：

import os
import re
import tkinter as tk
from tkinter import filedialog


def string_recovery(data):
    short_string = re.compile(r"^[a-zA-Z0-9\-._]{32}$")
    strings = re.findall(short_string, data)
    print(strings)


def xml_search(directory):
    xml_files = []
    for root, dirs, files in os.walk(directory):
        for file in files:
            if file.endswith(".xml"):
                xml_files.append(os.path.join(root, file))
    print("The following XML files have been found.")
    print(xml_files)

    for xml_file in xml_files:
        with open(xml_file, "r") as f:
            string_recovery(f.read())


def key_finder():
    directory = filedialog.askdirectory()
    xml_search(directory)


key_finder()

解决方案 #

修改string_recovery函数中的正则表达式，去掉行锚点^和$：

def string_recovery(data):
    # 去掉^和$，允许字符串出现在文本任意位置
    short_string = re.compile(r"[a-zA-Z0-9\-._]{32}")
    strings = re.findall(short_string, data)
    print(strings)

如果需要确保匹配的是独立的32位字符串（避免从更长的字符序列中截取32位片段），可以添加单词边界\b（注意：如果字符串包含.或-这类非单词字符，\b可能不生效，此时可根据XML实际结构调整）：

short_string = re.compile(r"\b[a-zA-Z0-9\-._]{32}\b")

原因说明 #

原正则表达式中的^表示行开头，$表示行结尾，这要求匹配的32位字符串必须单独占据一整行。但XML文件中的32位字符串通常嵌套在标签内容中（比如<value>xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx</value>），并非单独成行，因此无法被匹配到。去掉这两个锚点后，正则会在整个文本内容中搜索符合长度和字符范围的32位字符串，就能正确提取目标内容。

内容的提问来源于stack exchange，提问作者LHenne300