python正则表达式替换成不同内容_Python多个正则表达式替换-CSDN博客

我是一个Python新手.

我一直在寻找,但发现我的观念只有一点点.

Windows上的Python 2.7(我选择了python,因为它是多平台,结果可以在Windows上移植).

我想创建一个脚本,在文件夹中搜索* .txt UTF-8文本文件,加载内容(一个文件在彼此之后),将非ascii字符更改为html权限,然后在开始时添加html标记并且在每一行的末尾,但是标签的两个变体,一个用于文件的头部,一个用于文件的尾部,其中(头尾)由空行分隔.之后,所有结果必须写入另一个文本文件,如* .htm.要视觉：

unicode1.txt：

űnícődé text line1

űnícődé text line2

[empty line]

űnícődé text line3

űnícődé text line4

结果必须在unicode1.htm中：

űnícődé text line1

űnícődé text line2

[empty line]

űnícődé text line3

我开始开发我的解决方案的核心,但我坚持了下来.请参阅脚本版本(为简单起见,我选择使用xmlcharrefreplace进行编码).

V1：

import re, cgi, fileinput

file="_utf8.txt"

text=""

for line in fileinput.input(file, inplace=0):

line=cgi.escape(line.decode('utf8'),1).encode('ascii', 'xmlcharrefreplace')

line=re.sub(r"^", "

", line, 1)

text=text+re.sub(r"$", "

", line, 1)

print text

它工作得很好,但是对于这个任务来说,fileinput不是我认为可行的方式.

V2：

import re, cgi, codecs

file="_utf8.txt"

text=""

f=codecs.open(file, encoding='utf-8')

for line in f:

line=cgi.escape(line,1).encode('ascii', 'xmlcharrefreplace')

line=re.sub(r"^", "

", line, 1)

text=text+re.sub(r"$", "

", line, 1)

f.close()

print text

它搞砸了结果,在行开始时关闭标记替换第一个字母等.

V3(试过多行标志)：

import re, cgi, codecs

file="_utf8.txt"

text=""

f=codecs.open(file, encoding='utf-8')

for line in f:

line=cgi.escape(line,1).encode('ascii', 'xmlcharrefreplace')

line=re.sub(r"^", "

", line, 1, flags=re.M)

text=text+re.sub(r"$", "

", line, 1, flags=re.M)

f.close()

print text

结果相同.

V4(试过1个正则表达式而不是2个)：

import re, cgi, codecs

file="_utf8.txt"

text=""

f=codecs.open(file, encoding='utf-8')

for line in f:

line=cgi.escape(line,1).encode('ascii', 'xmlcharrefreplace')

text=text+re.sub(r"^(.*)$", r"

", line, 1)

f.close()

print text

结果相同.请帮忙.

编辑：我刚用hexeditor检查结果文件,每个结束标记前都有一个x0D字节！为什么？

Edit2：更改为更合理的方法

text+=re.sub(r"^(.*)$", r"

", line, 1)

编辑3：使用hexeditor我看到了混乱结果的原因：每个CRLF之前的额外CR(x0D)字节.

我追踪了CR的问题,是什么造成的：串联起来

# -*- coding: utf-8 -*-

text=""

f=u"unicode text line1\r\n unicode text line2"

for line in f:

text+=line

print text

这导致：

unicode text line1\r\r\n unicode text line2

任何想法,如何解决这个问题？

解决方法:

#!/usr/bin/env python

import cgi

import fileinput

import os

import shutil

import sys

def textfiles(rootdir, extensions=('.txt',)):

for dirpath, dirs, files in os.walk(rootdir):

for f in files:

if f.lower().endswith(extensions):

yield os.path.join(dirpath, f)

def htmlfiles(files):

for f in files:

root, _ = os.path.splitext(f)

newf = root + '.html'

shutil.copy2(f, newf)

yield newf

for line in fileinput.input(htmlfiles(textfiles(sys.argv[1])), inplace=True):

if fileinput.isfirstline():

klass = 'aaa' # start head part

line = cgi.escape(line.decode('utf-8').strip())

line = line.encode('ascii', 'xmlcharrefreplace')

if not line: # empty line

klass = 'bbb' # start tail part

print(line)

else:

print('

' % (klass, line))

$python txt2html.py c:\root\dir

标签：python,regex,replace