1

Estoy intentando generar una regex que me devuelva los datos asociados a unas etiquetas determinadas, y repetidas varias veces en un String. Que me devuelva los datos entre ><.
ejemplo: "<measResults>1 2 3 4 </measResults>" pero no lo hago bien. re.findall(r"<measResults>([0-9]+\s[0-9]+\s[0-9]+\s[0-9]+)+",string). Ya que, o me deja etiquetas sin detectar, o datos sin capturar. Gracias adelantadas.

<?xml version="1.0" encoding="UTF-8"?>
<Remitente>
               <Nombre>Nombre del remitente</Nombre>
               <Mail> Correo del remitente </Mail>

Tengo que atrapar en los diferentes niveles del árbol, tanto lo que esta entre >< como las cadenas después del igual. Ya lo he realizado a mi manera, pero me hubiera gustado haber conseguido un regex que hiciera todo el trabajo, al pasar todo el documento a String.

6
  • Hola Fernando, ¿el dato es siempre una lista de enteros separados por un espacio o puede ser cualquier cosa? ¿Lo que tienes es en realidad un xml?
    – FJSevilla
    Commented el 1 oct. 2018 a las 0:27
  • Hola Sevilla: Si, es un XML. Y hay tanto enteros separados por espacio como strings (claves, campos de tuplas, ecta.). Algunos entre >< y otros pegados al = Commented el 1 oct. 2018 a las 7:55
  • Hola Fernando en principio, si tienes un xml válido, lo suyo es usar un parser XML (usar REGEXs para parsear XML/HTML suelen ser una mala idea), por ejemplo el mismo xml.etree.elementtree de la biblioteca estándar o lxml, BeautifulSoup... Sería bueno que agregaras a la pregunta un pequeño ejemplo similar la real de tu XML que contemple los diferentes casos que comentas y que salida esperarías obtener al final para ese ejemplo.
    – FJSevilla
    Commented el 1 oct. 2018 a las 8:51
  • Gracias por tu Ayuda Sevilla. He añadido un poco más de explicación. Commented el 1 oct. 2018 a las 14:13
  • Fernando, he creado una respuesta usando Elemtree de la stdlib en vez de regex para obtener texto y atributos de todas las etiquetas del documento que los tengan. El uso de regex como comentaba no es apropiado por lo general para estas parsear un XML. No se exactamente como quieres usar los datos obtenidos, pero si te sirve de ayuda y surgen dudas comenta.
    – FJSevilla
    Commented el 2 oct. 2018 a las 2:03

1 respuesta 1

1

Usar expresiones regulares para parsear archivos XML/HTML por norma general no es buena idea. Las expresiones regulares no son la herramienta adecuada ni son suficientes para manejar la complejidad estructural de estos archivos, empezando por el manejo adecuado del anidamiento.

Lo apropiado en estos casos es usar un parser específico, en Python podemos usar el propio módulo xml.etree.elementtree de la biblioteca estándar o varias bibliotecas externas como lxml (más eficiente) o el mismo BeautifulSoup.

Puedes obtener el dato asociado a cada etiqueta así como sus atributos de tenerlos (lo que va después del =) simplemente iterando sobre cada nodo del árbol. Por ejemplo:

from xml.etree import ElementTree



doc = """\
<?xml version="1.0" encoding="UTF-8"?>
<Mensaje date="01/10/2018">
    <Remitente>
        <Nombre type="org">Python</Nombre>
        <Mail>[email protected]</Mail>
    </Remitente>
</Mensaje>
"""


data = []

tree = ElementTree.fromstring(doc)
for node in tree.iter():
    tag = {"nombre": node.tag, "atributos": None, "valor": None}
    empty = True
    if node.attrib:
        tag["atributos"] = node.attrib
        empty = False
    if node.text.strip():
        tag["valor"] = node.text
        empty = False
    if not empty:
        data.append(tag)

Lo cual nos genera una lista de diccionarios con solo aquellas etiquetas que tienen texto o al menos un atributo:

>>> data
[{'nombre': 'Mensaje', 'atributos': {'date': '01/10/2018'}, 'valor': None},
 {'nombre': 'Nombre', 'atributos': {'type': 'org'}, 'valor': 'Python'},
 {'nombre': 'Mail', 'atributos': None, 'valor': '[email protected]'}]
for tag in data:
    print(f"TAG: {tag['nombre']}")
    atributos = tag.get("atributos")
    dato = tag.get("valor")
    if atributos is not None:
        print("  ATRIBUTOS:")
        for atributo, valor in atributos.items():
            print(f"    {atributo} -> {valor}")

    if dato is not None:
        print(f"  DATO: {dato}")

    print()
TAG: Mensaje
  ATRIBUTOS:
    date -> 01/10/2018

TAG: Nombre
  ATRIBUTOS:
    type -> org
  DATO: Python

TAG: Mail
  DATO: [email protected]

Puedes buscar si lo deseas a lo largo de todos los niveles del árbol una etiqueta determinada:

from xml.etree import ElementTree


doc = """\
<?xml version="1.0" encoding="UTF-8"?>
<Bandeja>
    <Mensaje date="01/10/2018">
        <Remitente>
            <Nombre type="pers_verf">Pedro</Nombre>
            <Mail>[email protected]</Mail>
        </Remitente>
    </Mensaje>

    <Mensaje date="01/10/2018">
        <Remitente>
            <Nombre type="pers_unverf">Laura</Nombre>
            <Mail>[email protected]</Mail>
        </Remitente>
    </Mensaje>

    <Mensaje date="01/10/2018">
        <Remitente>
            <Nombre type="pers_verf">María</Nombre>
            <Mail>[email protected]</Mail>
        </Remitente>
    </Mensaje>
</Bandeja>
"""


data = []

tree = ElementTree.fromstring(doc)
for node in tree.iter("Nombre"):
    tag = {"nombre": node.tag, "atributos": None, "valor": None}
    empty = True
    if node.attrib:
        tag["atributos"] = node.attrib
        empty = False
    if node.text.strip():
        tag["valor"] = node.text
        empty = False
    if not empty:
        data.append(tag)



for tag in data:
    print(f"TAG: {tag['nombre']}")
    atributos = tag.get("atributos")
    dato = tag.get("valor")
    if atributos is not None:
        print("  ATRIBUTOS:")
        for atributo, valor in atributos.items():
            print(f"    {atributo} -> {valor}")

    if dato is not None:
        print(f"  DATO: {dato}")

    print()
TAG: Nombre
  ATRIBUTOS:
    type -> pers_verf
  DATO: Pedro

TAG: Nombre
  ATRIBUTOS:
    type -> pers_unverf
  DATO: Laura

TAG: Nombre
  ATRIBUTOS:
    type -> pers_verf
  DATO: María

Si solo se desea buscar los nodos con esa etiqueta que sean hijos de un determinado nodo padre se puede usar findall. Como se puede ver usar un parser nos facilita la tarea enormemente.

Para cargar el XML desde un archivo usar ElementTree.parse() en vez de ElementTree.fromstring().

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.