Perl的正則表達式來刪除節點在XML

Question

我有一個大（> 2GB），XML，看起來大致是這樣的文件：

<record id="1"> 
    <a> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </a> 
    <b> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </b> 
    <c> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </c> 
</record> 
... 
<record id="999999"> 
    <a> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </a> 
    <b> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </b> 
    <c> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </c> 
</record> 

然而，我的實際文件沒有換行符爲每個節點（雖然也有少數線路中斷整個隨機分佈。）

我想有使用Perl來去除每個所有<b>節點節點，包括他們的後代。

所以 - 我得到的文件應該是這樣的：

<record id="1"> 
    <a> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </a> 
    <c> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </c> 
</record> 
... 
<record id="999999"> 
    <a> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </a> 
    <c> 
     <detail>blah</detail> 
     .... 
     <detail>blah</detail> 
    </c> 
</record> 

這裏有一個重要的注意...正如我所說，該文件是大約2.4GB。對於較小的文件，我使用XMLReader和PHP成功解析文件並提取我需要的內容。但是，似乎PHP無法處理這麼大的文件（PHP < v.5.6使用32位文件指針）。因此，我的目標是使用像sed或perl這樣的實用工具，通過剝去我不需要的大塊來減少文件大小。我知道「XML感知」的實用工具，將更適合這種類型的工作，但我還沒有找到一個可以處理這個大文件...

無論如何，我試過這個（使用@作爲我的分隔符）：

perl -pe 's@<b>.*</b>@@sg' input.xml > modified.xml 

但是，這並沒有奏效 - 它並沒有刪除任何節點。

我確定<b>節點沒有任何會破壞該模式的屬性。

很明顯 - 我是小白，當談到這一點，所以我敢肯定，我還差得遠呢......由

Answer 1

<b>(((?!<\/b>).)*)<\/b> 

嘗試this.Replace。

查看演示。

http://regex101.com/r/pD5sV6/2

Answer 2

XML::Twig可以用來切割從一個大的XML文件中的元素，而不必元件之間擔心空白：

use warnings; 
use strict; 
use XML::Twig; 

my $xml = do { local $/; <DATA> }; 

my $twig = XML::Twig->new(
    twig_handlers => { 
     'record/b' => sub { $_->cut() } 
    }, 
    pretty_print => 'indented' 
); 
$twig->parse($xml); 
$twig->print(); 

__DATA__ 
<?xml version="1.0" encoding="UTF-8"?> 
<top> 
    <record id="1"> 
     <a> 
      <detail>blah</detail> 
      <detail>blah</detail> 
     </a> 
     <b> 
      <detail>blah</detail> 
      <detail>blah</detail> 
     </b> 
     <c> 
      <detail>blah</detail> 
      <detail>blah</detail> 
     </c> 
    </record> 
    <record id="999999"> 
     <a> 
      <detail>blah</detail> 
      <detail>blah</detail> 
     </a> 
     <b> 
      <detail>blah</detail> 
      <detail>blah</detail> 
     </b> 
     <c> 
      <detail>blah</detail> 
      <detail>blah</detail> 
     </c> 
    </record> 
</top> 

這裏是輸出：

<?xml version="1.0" encoding="UTF-8"?> 
<top> 
    <record id="1"> 
    <a> 
     <detail>blah</detail> 
     <detail>blah</detail> 
    </a> 
    <c> 
     <detail>blah</detail> 
     <detail>blah</detail> 
    </c> 
    </record> 
    <record id="999999"> 
    <a> 
     <detail>blah</detail> 
     <detail>blah</detail> 
    </a> 
    <c> 
     <detail>blah</detail> 
     <detail>blah</detail> 
    </c> 
    </record> 
</top> 

Answer 3

喲ucan使用這個正則表達式：

<b>[\s\S]+?<\/b> 

Working demo

的想法是消除<b>...</b>標籤

Answer 4

您可以使用XML::LibXML::Reader，一個libxml2的拉解析器：

#!/usr/bin/perl 
use warnings; 
use strict; 

use XML::LibXML::Reader; 

my $r = 'XML::LibXML::Reader'->new(location => 'file.xml'); 
while ($r->nextElement('record')) { 
    my $rec = $r->copyCurrentNode(1); 
    for my $del ($rec->findnodes('b')) { 
     $rec->removeChild($del); 
    } 
    print $rec; 
}