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”。/ 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
.*? - 从
2024-03-15T10:22:33Z /([^/ - 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
- (.*?)
- ]*>(.*?)
- 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 19.99
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
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。
