Python：re.sub不变

Question

我有以下代码：

def gettextbyxpath(tree, xpath):
    node = tree.xpath(xpath)[0]
    try:
        text = etree.tostring(node, method="text", encoding='UTF-8').strip()
        text = re.sub(' +',' ', text)
        text = re.sub('\n+','\n', text)
        text = re.sub('\n \n','\n', text)
    except:
        text = 'ERROR'
    return text

在最后一行中，我尝试摆脱仅包含单个空格的行。 真实数据中有很多。

当我将上述代码作为隔离测试运行时，它可以正常工作，但在实际代码中，最后一行根本不执行任何操作！ 我尝试过比较使用和不使用它生成的文件-没有区别。

输入示例：

        Brand：

   777,Royal Lion



    Main Products:

           battery, 777, carbon zinc, paper jacket,

我试图摆脱线条之间的垂直空白。

为什么我的代码可能会这样表现？

Answer 1

关于您的代码为何如此描述：从第二次调用re.sub获得的text值不包含您试图在上次调用re.sub替换的模式：

>>> text = re.sub('\n+', '\n', text) # 2nd call to re.sub
>>> text
>>> 'Brand：\n 777,Royal Lion\n Main Products:\n battery, 777, carbon zinc, paper jacket,'

因此，您需要从上次调用re.sub的模式中删除第二个\\n ：

text = re.sub('\n ','\n', text)

这将产生：

Brand：
777,Royal Lion
Main Products:
battery, 777, carbon zinc, paper jacket,

---

替代解决方案

def gettextbyxpath(tree, xpath):
    node = tree.xpath(xpath)[0]
    try:
        text = etree.tostring(node, method="text", encoding='UTF-8').strip()
        text = '\n'.join(line.strip() for line in text.split('\n') if line.strip())
    except:
        text = 'ERROR'
    return text

产量

Brand：
777,Royal Lion
Main Products:
battery, 777, carbon zinc, paper jacket,

这种方法的不同之处在于，我们不使用re.sub 进行连续替换 ，而是将etree.tostring的输出拆分为\\n 。 然后，我们对过滤结果进行过滤，以排除在对它们调用.strip()时将其缩减为空字符串的所有行。 这样，我们只剩下具有实际内容的行，并且从左侧和右侧删除了所有空白。 为了获得最终结果，我们用一个换行符（ \\n ）将这些行连接起来。

Answer 2

以下代码应删除，制表符，换行和空格（单个空格除外）。

import re

a ="""
 Brand：

 777,Royal Lion



 Main Products:

 battery, 777, carbon zinc, paper jacket,
"""
p = re.compile(r'[\n\t]+|[ ]{2,}')
print p.sub('',a)