相互匹配两个文件并将输出作为文件写入-Python

Question

我是Python的新手。 我第二次在其中编码。 该脚本的要点是获取一个包含数千行文件名的文本文件（sNotUsed文件），并将其与大约50个XML文件进行匹配。 每个XML文件最多可以包含数千行，并且按照大多数XML的格式进行格式化。 我不确定到目前为止代码的问题是什么。 代码没有完全完成，因为我还没有添加将输出写回到XML文件的部分，但是当前的最后一行应该至少打印一次。 事实并非如此。

两种文件格式的示例如下：

文本文件：

fileNameWithoutExtension1
fileNameWithoutExtension2
fileNameWithoutExtension3
etc.

XML文件：

<blocks> 

<more stuff="name"> 
     <Tag2> 
        <Tag3 name="Tag3">
                 <!--COMMENT-->
                 <fileType>../../dir/fileNameWithoutExtension1</fileType>
                 <fileType>../../dir/fileNameWithoutExtension4</fileType>
</blocks>

我的代码这么远：

import os
import re

sNotUsed=list()
sFile = open("C:\Users\xxx\Desktop\sNotUsed.txt", "r") # open snotused txt file
for lines in sFile:
    sNotUsed.append(lines)
#sNotUsed = sFile.readlines() # read all lines and assign to list
sFile.close() # close file

xmlFiles=list() # list of xmlFiles in directory
usedS=list() # list of S files that do not match against sFile txt

search = "\w/([\w\-]+)"

# getting the list of xmlFiles
filelist=os.listdir('C:\Users\xxx\Desktop\dir')
for files in filelist:
    if files.endswith('.xml'):
        xmlFile = open(files, "r+") # open first file with read + write access
        xmlComp = xmlFile.readlines() # read lines and assign to list
        for lines in xmlComp: # iterate by line in list of lines
            temp = re.findall(search, lines)
            #print temp
            if temp:
                if temp[0] in sNotUsed:
                    print "yes" # debugging. I know there is at least one match for sure, but this is not being printed.

解决问题：对不起，我想我的问题不是很清楚。 我希望脚本逐行浏览每个XML，并查看该行的FILENAME部分是否与sNotUsed.txt文件的确切行匹配。 如果有匹配项，那么我想将其从XML中删除。 如果该行与sNotUsed.txt中的任何行都不匹配，那么我希望它是新的经过修改的XML文件（它将覆盖旧文件）的输出的一部分。 如果仍然不清楚，请告诉我。

编辑，工作代码

import os
import re
import codecs

sFile = open("C:\Users\xxx\Desktop\sNotUsed.txt", "r") # open sNotUsed txt file
sNotUsed=sFile.readlines() # read all lines and assign to list
sFile.close() # close file

search = re.compile(r"\w/([\w\-]+)")

sNotUsed=[x.strip().replace(',','') for x in sNotUsed]
directory=r'C:\Users\xxx\Desktop\dir'
filelist=os.listdir(directory) # getting the list of xmlFiles
# for each file in the list
for files in filelist:
    if files.endswith('.xml'): # make sure it is an XML file
        xmlFile = codecs.open(os.path.join(directory, files), "r", encoding="UTF-8") # open first file with read
        xmlComp = xmlFile.readlines() # read lines and assign to list
        print xmlComp
        xmlFile.close() # closing the file since the lines have already been read and assigned to a variable
        xmlEdit = codecs.open(os.path.join(directory, files), "w", encoding="UTF-8") # opening the same file again and overwriting all existing lines
        for lines in xmlComp: # iterate by line in list of lines
            #headerInd = re.search(search, lines) # used to get the headers, comments, and ending blocks
            temp = re.findall(search, lines) # finds all strings that match the regular expression compiled above and makes a list for each
            if temp: # if the list is not empty
                if temp[0] not in sNotUsed: # if the first (and only) value in each list is not in the sNotUsed list
                    xmlEdit.write(lines) # write it in the file
            else: # if the list is empty
                xmlEdit.write(lines) # write it (used to preserve the beginning and ending blocks of the XML, as well as comments)

Answer 1

有很多话要说，但我会尽量保持简洁。

PEP8：Python代码样式指南

对于局部变量，应使用带下划线的小写字母。 看看PEP8：Python代码样式指南。

文件对象和with语句

使用with语句打开文件，请参见：文件对象： http : //docs.python.org/2/library/stdtypes.html#bltin-file-objects

转义Windows文件名

Windows文件名中的反斜杠可能会导致Python程序出现问题。 您必须使用双反斜杠转义字符串或使用原始字符串。

例如：如果您的Windows文件名是"dir\\notUsed.txt" ，则应这样转义它： "dir\\\\notUsed.txt"或使用原始字符串r"dir\\notUsed.txt" 。 如果您不这样做，则"\\n"将被解释为换行符！

注意：如果需要支持Unicode文件名，则可以使用Unicode原始字符串： ur"dir\\notUsed.txt" 。

另请参见StockOverFlow中的问题19065115。

将文件名存储在一个set ：这是一个优化的集合，没有重复项

not_used_path = ur"dir\sNotUsed.txt"
with open(not_used_path) as not_used_file:
    not_used_set = set([line.strip() for line in not_used_file])

编译您的正则表达式

多次使用时，编译正则表达式效率更高。 同样，您应该使用原始字符串来避免反斜杠的解释。

pattern = re.compile(r"\w/([\w\-]+)")

警告： os.listdir()函数返回文件名列表而不是完整路径列表。 请参阅Python文档中的此函数。

在您的示例中，使用os.listdir()读取桌面目录'C:\\Users\\xxx\\Desktop\\dir' 。 然后，您要使用open(files, "r+")此目录中的每个XML文件。 但这是错误的，直到您当前的工作目录不是您的桌面目录。 经典用法是使用os.path.join()函数，如下所示：

desktop_dir = r'C:\Users\xxx\Desktop\dir'
for filename in os.listdir(desktop_dir):
    desktop_path = os.path.join(desktop_dir, filename)

如果要提取文件名的扩展名，则可以使用os.path.splitext()函数。

desktop_dir = r'C:\Users\xxx\Desktop\dir'
for filename in os.listdir(desktop_dir):
    if os.path.splitext(filename)[1].lower() != '.xml':
        continue
    desktop_path = os.path.join(desktop_dir, filename)

您可以使用理解列表简化此操作：

desktop_dir = r'C:\Users\xxx\Desktop\dir'
xml_list = [os.path.join(desktop_dir, filename)
            for filename in os.listdir(desktop_dir)
            if os.path.splitext(filename)[1].lower() == '.xml']

解析XML文件

如何解析XML文件？ 这是一个很好的问题！ 有几种可能：-使用正则表达式，高效但危险； -使用SAX解析器，效率也很高，但令人困惑且难以维护； -使用DOM解析器，效率较低，但更清晰...考虑使用lxml包（@see： http : //lxml.de/ ）

这很危险，因为您读取文件的方式并不关心XML编码。 这很糟糕！ 确实非常糟糕！ XML文件通常以UTF-8编码。 您应该首先解码UTF-8字节流。 一种简单的方法是使用codecs.open（）打开编码的文件。

for xml_path in xml_list:
    with codecs.open(xml_path, "r", encoding="UTF-8") as xml_file:
        content = xml_file.read()

使用此解决方案，完整的XML内容作为Unicode字符串存储在content变量中。 然后，您可以使用Unicode正则表达式来解析内容。

最后，您可以使用交集来查找给定的XML文件是否包含文本文件的公用名称。

for xml_path in xml_list:
    with codecs.open(xml_path, "r", encoding="UTF-8") as xml_file:
        content = xml_file.read()
    actual_set = set(pattern.findall(content))
    print(not_used_set & actual_set)