Python正则表达式查找XML 1.0不支持的字符不会返回任何结果

我正在编写一个Python3.2脚本，以查找Unicode XML格式的文本文件中在XML 1.0中无效的字符。文件本身不是XML 1.0，因此它可以轻松包含1.1及更高版本支持的字符，但使用它的应用程序只能处理XML 1.0中有效的字符，因此我需要找到它们

XML 1.0不支持\u0001-\u0020范围内的任何字符，但\u0009、\u000A、\u000D和\u0020除外。除此之外，\u0021-\uD7FF和\u010000-\u10FFFF也是受支持的范围，但不支持其他范围。在Python代码中，我用以下方式定义正则表达式模式：

re.compile("[^\u0009\u000A\u000D\u0020\u0021-\uD7FF\uE000-\uFFFD\u010000-\u10FFFF]")

但是，下面的代码在我的示例文件中找不到已知的坏字符（\u0007，“bell”字符）。不幸的是，我无法提供示例行（专有数据）

我认为问题出在两个地方之一：要么是一个糟糕的正则表达式模式，要么是我如何打开文件并逐行读取，即编码问题。当然，我可能错了

下面是相关的代码片段

processChunkFile（）

采用三个参数：

chunkfile

是指向文件的绝对路径（在本例中为原始文件的500000行“块”），该文件可能包含也可能不包含坏字符

outputfile

是指向要将输出写入的可选、预先存在的文件的绝对路径

verbose

是一个布尔标志，用于启用更详细的命令行输出。代码的其余部分只是获取命令行参数（使用

argparse

）并将单个大文件分解成更小的文件。（原始文件通常大于4GB，因此需要将其“分块”。）

Python

\u

转义仅为四位数字，因此u+0100后跟两个u+0030位零。对于BMP以外的字符，请使用大写字母-U转义，并包含八位数字：

\U00010000-\U0010FFFF

请注意，在Python的“狭义构建”中，字符串基于UTF-16代码单元，BMP之外的字符作为两个代理代码单元处理，这一点和您的表达式通常不起作用。（窄版是Windows的默认版本。谢天谢地，他们已经放弃了Python 3.3。）

它可以很容易地包含1.1及更高版本支持的字符

（尽管XML 1.1在编码为数字字符引用时只能包含这些字符

&#…

，因此文件本身可能仍然格式不正确。）

打开（文件“r”）

您确定chunkfile是在

locale.getpreferredencoding

中编码的吗

原始文件通常大于4GB，因此需要将其“分块”

def processChunkFile(chunkfile, outputfile, verbose):
    """
    Processes a given chunk file, looking for XML 1.0 chars.
    Outputs any line containing such a character.
    """
    badlines = []

    if verbose:
        print("Processing file {0}".format(os.path.basename(chunkfile)))

    # open given chunk file and read it as a list of lines
    with open(chunkfile, 'r') as chunk:
        chunklines = chunk.readlines()

        # check to see if a line contains a bad character;
        # if so, add it to the badlines list
        for line in chunklines:
            if badCharacterCheck(line, verbose) == True:
                badlines.append(line)

    # output to file if required
    if outputfile is not None:
        with open(outputfile.encode(), 'a') as outfile:
            for badline in badlines:
                outfile.write(str(badline) + '\n')

    # return list of bad lines
    return badlines



def badCharacterCheck(line, verbose):
    """
    Use regular expressions to seek characters in a line
    which aren't supported in XML 1.0.
    """
    invalidCharacters = re.compile("[^\u0009\u000A\u000D\u0020\u0021-\uD7FF\uE000-\uFFFD\u010000-\u10FFFF]")
    matches = re.search(invalidCharacters, line)
    if matches:
        if verbose:
            print(line)
            print("FOUND: " + matches.groups())
        return True

    return False

呃，怪物XML是痛苦的。但是，使用合理的流式API（和文件系统！）应该仍然可以处理。例如，您可以使用

为块中的行：

一次处理一行，而不是使用

readlines（）

一次读取所有块

重新搜索（无效字符，行）

由于

invalidCharacters

已经是一个已编译的模式对象，您可以只

invalidCharacters.search（…）

---

话虽如此，它仍然与我的U+0007 Bell相匹配。

删除两个已知标记或字符串中两个已知字符之间的单词、字符、字符串或任何内容的最快方法是使用直接的、本机的C方法，使用RE和一个通用的方法，如下所示

var = re.sub('<script>', '<!--', var)
var = re.sub('</script>', '-->', var)
#And finally
var = re.sub('<!--.*?-->', '', var)

var=re.sub（“”，，，var）
#最后
var=re.sub（“”，，，var）

它能去除一切，比漂亮的汤更快、更好、更干净。批处理文件是“”最初出现的地方，只是为了与本机C中的批处理和html一起使用而借用的“。当将所有Pythonic方法与正则表达式一起使用时，您必须意识到Python并没有改变或改变机器语言使用的所有正则表达式，因此，当单个循环可以在一次迭代中找到所有正则表达式时，为什么要重复多次呢？对字符也单独执行相同的操作

var = re.sub('\[', '<!--', var)
var = re.sub('\]', '-->', var)
#And finally
var = re.sub('<!--.*?-->', '' var)#wipes it all out from between along with.

var=re.sub（'\['，''，var）
#最后
var=re.sub（''，'var）#从两者之间连同。

---

而且你不需要漂亮的汤。如果你了解它的工作原理，你也可以使用它们来处理数据。

谢谢bobince-这是许多有用的一般（和具体）建议，我非常感谢。

var = re.sub('\[', '<!--', var)
var = re.sub('\]', '-->', var)
#And finally
var = re.sub('<!--.*?-->', '' var)#wipes it all out from between along with.