Python处理类XML文本的正则匹配不全、替换失效问题解析

1. 解决arr块跨换行匹配、避免全文件单次匹配的问题 #

原正则之所以会出现开启DOTALL后全文件单次匹配的问题，核心是两个写法缺陷：

• 内容匹配用了贪婪规则：原内容捕获部分是(.*)，开启DOTALL让.支持匹配换行后，会从第一个开标签一直抓到文件里最后一个符合格式的闭标签，自然把整个文件当成单次匹配。
• 开闭标签没有绑定：原正则的闭标签部分是独立的捕获组，没有和开标签的类型做绑定，会出现开标签是arr，却匹配到文件末尾任意类型闭标签的越界问题。

修正后的匹配逻辑：

• 用反向引用绑定开闭标签类型：开标签的类型作为第一个捕获组，闭标签用\1反向引用，保证开闭标签的类型完全一致，不会跨类型抓内容。
• 内容捕获改为非贪婪匹配：把原来的(.*)换成(.*?)，不管是否支持换行匹配，都会在碰到第一个符合要求的同类型闭标签时立即停止捕获。
• 开标签的属性部分做精准匹配：把.*="换成\s+name="([^"]+)"，避免贪婪匹配导致的开标签识别过长问题。

最终可实现独立块匹配的正则表达式为：
<(str|date|arr|int|long)\s+name="([^"]+)">(.*?)</\1>
编译时开启re.DOTALL参数，即可实现arr块跨换行匹配，且每个块独立捕获、不会跨块越界。

2. 解决正则替换完全不生效的问题 #

你写的代码存在两个逻辑问题，哪怕替换规则写的是固定字符串也不会看到效果：

• re.sub()不会修改原字符串，它的返回值才是替换完成后的新文本。你之前执行完p.sub(...)没有把返回值赋值给变量，之后打印的还是读取进来的原始内容，自然看不到任何变化。
• 编译正则时没有传入DOTALL参数，碰到带换行的arr标签根本无法匹配，自然不会触发替换逻辑。

修正后的完整可运行代码：

from re import compile
import re

# 编译正则，开启DOTALL支持换行匹配
pattern = compile(
    r'<(str|date|arr|int|long)\s+name="([^"]+)">(.*?)</\1>',
    flags=re.DOTALL
)

# 用上下文管理器读取文件，指定编码避免乱码
with open("file.txt", "r", encoding="utf-8") as f:
    content = f.read()

# *关键：接收sub的返回值，拿到替换后的新内容*
new_content = pattern.sub(r'<\2>\3</\2>', content)

# 若需要写回原文件，可追加以下代码
# with open("file.txt", "w", encoding="utf-8") as f:
#     f.write(new_content)

print(new_content)

可选优化：清理arr块内的内嵌标签 #

你期望的输出里，arr标签替换后的内容需要去掉内嵌的<str>标签尖括号，只保留内部文本，可以把替换逻辑改成自定义函数，在替换时自动清理内嵌标签：

def process_match(match):
    _, attr_name, inner_content = match.groups()
    # 去掉内容里所有的内嵌尖括号标签
    clean_content = re.sub(r'<[^>]+>', '', inner_content)
    return f'<{attr_name}>{clean_content}</{attr_name}>'

new_content = pattern.sub(process_match, content)

执行后即可得到完全符合预期的输出结构。

内容的提问来源于stack exchange，提问作者lakeviking