用Python解析類XML時踩的坑

最近在處理一份數據，初一看，這是xml格式，果斷百度如何用Python解析xml，感覺甚是高大上。但是，細節決定成敗啊，通過解析時遇到的bug發現，這數據竟不是標準的xml，原因有二：
1.tag的屬性值應該用雙引號引上，但是這份數據沒有。舉個栗子：

正確：<seg id="123">
錯誤：<seg id=123>

這樣在用xml.etree.ElementTree解析的時候是會報錯的，會指出是‘’不好的格式‘’。

2.tag不封閉，舉例就是隻有<seg>而沒有</seg>。

起初發現問題1的時候，我還天真的要修正這份數據，把tag的屬性值的雙引號補上，於是有了下面這段代碼（順便學了一點re）

'''這是部分重點代碼，不完整'''

import re

pattern1 = re.compile(r'<TEXT ID=(.+)>') #定義一個匹配模式
with open(source_path,'r',encoding='utf-8') as old_file:
    with open(goal_path,'w',encoding='utf-8') as new_file:
        for line in old_file.readlines():
            if pattern1.findall(line):
                res = pattern1.findall(line)  #這裏res就是沒有引號的屬性值
                line = '<TEXT ID=\"'+ res[0] + '\">\n'
            new_file.write(line)

本以爲到此雙引號已經補上，就可以用xml.etree.ElementTree解析數據了，把標籤中的數據提取出來，如此便大功告成。於是開心的寫了下面的代碼：

'''提取中TEXT標籤之間的數據，刪除數據之間的空白符和換行符，連成一句話，然後返回'''

import xml.etree.ElementTree as ET
import re
tree = ET.parse(data_path)
root = tree.getroot()
del_space = re.compile('[ \t\n]*')
sentences = []
if root.iter('TEXT'): #找到TEXT標籤，返回迭代器
    for elem in root.iter('TEXT'):
        sent = del_space.sub('',elem.text)  #作用是刪除一段內容的空白符和換行符
        sentences.append(sent)
return sentences

對於格式良好的xml，上面的代碼OK，但是如果tag不封閉，etree會報錯。

至此，我決定放棄用解析xml的方法提取數據。那怎麼辦，返璞歸真，直接上re，找規律，用re匹配。好吧，這也算是一個經驗吧，高級的工具處理高級的問題，如果要解決的問題比較“粗糙”，那就用比較“魯棒”的方法來解決。