如何用Python修复含空格或换行的损坏XML标签？

原代码的问题 #

1. re.sub未生效：re.sub()会返回修改后的新字符串，不会原地修改原data变量，你没把返回值重新赋值给data，所以看不到修改效果。
2. 遍历方式冗余：用iterator变量手动计数完全没必要，直接用zip()同时配对原标签和修复后的标签更简洁。
3. 正则匹配范围有限：原正则只匹配了包含换行的标签，但有些损坏标签可能只有空格没有换行，或者换行位置不在你预设的位置，匹配不全。

更简洁的Pythonic实现 #

直接用re.sub()的回调函数，一次性匹配所有损坏的标签并完成修复，不用分两步处理：

import re

with open('file.xml', 'r') as file:
    data = file.read()

# 定义修复函数：清除标签内的换行和空格
def fix_tag(match):
    tag = match.group(0)
    return tag.replace('\n', '').replace(' ', '')

# 匹配所有<开头、>结尾，且中间包含换行或空格的标签
fixed_data = re.sub(r'<[^>]*[\n ][^>]*>', fix_tag, data)

# 保存修复后的内容
with open('fixed_file.xml', 'w') as file:
    file.write(fixed_data)

代码说明 #

• 正则r'<[^>]*[\n ][^>]*>'：匹配所有<开头、>结尾，且中间存在换行或空格的标签，覆盖了换行拆分、插入空格的损坏情况。
• 回调函数fix_tag：对每个匹配到的损坏标签，直接清除其中的换行和空格，返回修复后的标签。
• 直接通过一次re.sub()完成所有替换，代码更简洁高效，避免了多次循环的冗余操作。

验证替换过程（可选） #

如果需要查看替换前后的对比，可以在替换前先打印匹配到的内容：

matches = re.findall(r'<[^>]*[\n ][^>]*>', data)
for match in matches:
    fixed = match.replace('\n', '').replace(' ', '')
    print(f"原标签：{repr(match)}\n修复后：{repr(fixed)}\n")

内容的提问来源于stack exchange，提问作者Johnny_the_Pickle