如何用正则表达式辅助提取XML中的非结构化数据

正则提取XML数据易出错，因其无法处理嵌套等递归结构；仅适用于格式简单、无嵌套、无属性的特定场景，且应限于解析后的纯文本处理。

XML里用正则提取数据为什么总出错

直接对XML文本用正则匹配，多数时候不是“提不到”，而是“提歪了”。abcdef 这种简单情况看似能用 /(.*?)/g 拿到内容，但只要出现嵌套、属性、CDATA、注释或换行缩进，正则就大概率漏匹配、多截断、跨标签误捕获。XML是递归结构，而正则没有栈，无法正确处理嵌套层级。

哪些场景下正则可以安全辅助提取

前提是：XML已知格式简单、无嵌套、无动态命名空间、且你只关心特定标签内的纯文本片段。比如日志导出的固定格式XML、配置文件片段、或预处理后的扁平化XML。

• 提取所有 .*? 中的内容，且确认该标签永不嵌套、不带属性
• 从 2025-03-15T10:22:33Z 中快速抽ISO时间字符串，用 /([^/
• 清洗掉 XML 注释（）或处理指令（），为后续 XML 解析器做预处理

必须避开的正则陷阱

这些写法在真实 XML 中极易失效：

• 用 .* 匹配标签内容 → 遇到换行就断，应改用 [\s\S]*? 或开启 dotall 模式（Python 的 re.DOTALL，JS 的 /s 标志）
• 写 (.*?) 却没考虑属性： 会完全不

  

  匹配 → 应放宽为 ]*>(.*?)
• 忽略 CDATA 块：raw & unescaped]]> 里的内容不能被普通正则解析，需单独用 //gs 提前剥离
• 把 19.99 和 19.99 当成同一模式处理 → 属性顺序、存在性不确定时，正则很快失控

实操建议：正则只做“前置切片”或“后置清洗”

真正可靠的方案永远是先用标准 XML 解析器（如 Python 的 xml.etree.ElementTree、JS 的 DOMParser）加载文档，再对解析后的文本节点做正则处理。正则只负责“解析后”的环节。

例如：从所有 文本中提取邮箱地址：

import xml.etree.ElementTree as ET
import re

tree = ET.parse("data.xml")
for desc in tree.findall(".//description"):
    text = desc.text or ""
    emails = re.findall(r"\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b", text)
    if emails:
        print(emails)

注意：这里正则只跑在 desc.text 这个纯字符串上，不接触任何标签结构 —— 这才是它该待的位置。

嵌套深、命名空间多、格式不稳定的 XML，硬上正则只会让调试时间翻倍。宁可多写两行解析代码，也别指望一个正则通吃。