如何在 Python 中使用正则表达式查找和替换 URI 片段？

Question

你好呀！

我正在尝试在文本文件中查找和替换 URI 片段，但我只是不知道如何做到这一点。

一些资源以 URL 开头（例如http://www.example.com/{fragment} ），其他资源以定义的前缀开头（例如example:{fragment} ）。 两个片段都代表同一个对象，因此对一个出现的任何更改都必须对所有出现的前缀和 URL 片段进行，反之亦然。

下面是一个例子：

每次http://www.example.com/Example_1或example:Example_1出现时，我想替换文件中所有出现的片段Example_1 ，为 UUID（例如186e4707_afc8_4d0d_8c56_26e595eba8f0 ），导致所有出现都被替换http://www.example.com/186e4707_afc8_4d0d_8c56_26e595eba8f0或example:186e4707_afc8_4d0d_8c56_26e595eba8f0 。

这需要对文件中的每个唯一片段进行，这意味着Example_2 、 Example_3等的 UUID 不同。

到目前为止，我已经设法找到这一行 Regex: (((?<=### http:\\/\\/archive\\.semantyk\\.com\\/).*)|(?<=archive:)([^\\s]+))用于识别片段，但我真的坚持替换部分。

我相信这不是一个困难的问题，但我确实认识到它的复杂性。

我希望我能很好地解释自己，但如果我不知道，请告诉我。

你知道如何解决这个问题吗？？

非常感谢您阅读这么远。

---

编辑：

我尝试使用 re.sub 使用此输入：

###  http://archive.semantyk.com/Abbreviation
archive:Abbreviation rdf:type owl:Class ;
                     rdfs:subClassOf archive:Word .


###  http://archive.semantyk.com/Ability
archive:Ability rdf:type owl:Class ;
                rdfs:subClassOf archive:Quality .

它产生了这个结果：

###  http://archive.semantyk.com/4f5b99bb_2bff_4166_8468_0134a1d864ae
archive:4f5b99bb_2bff_4166_8468_0134a1d864ae rdf:type owl:Class ;
                     rdfs:subClassOf archive:4f5b99bb_2bff_4166_8468_0134a1d864ae .


###  http://archive.semantyk.com/4f5b99bb_2bff_4166_8468_0134a1d864ae
archive:4f5b99bb_2bff_4166_8468_0134a1d864ae rdf:type owl:Class ;
                rdfs:subClassOf archive:4f5b99bb_2bff_4166_8468_0134a1d864ae .

但这是不正确的，因为 UUID 相同但资源（片段）不同。

有任何想法吗？

---

编辑：解决了！

xcan 的代码解决了它！ 我只是做了一些调整让它工作。

这是最终的代码：

import re
import uuid

def generateUUID():
    identifier = uuid.uuid4().hex
    identifier = identifier[0:8] + '_' + identifier[8:12] + '_' + identifier[12:16] + '_' + identifier[16:20] + '_' + identifier[20:]
    print('Generated UUID: ' + identifier)
    return identifier

def main():
    text = open('{path}', 'r').read()
    # Firsts find what needs to changed.
    rg = r"archive:([^\s]+)"
    matches = re.findall(rg, text, re.M)
    # convert list to a set to get rid of repeating matches
    # then convert back to a list again
    unique_matches = list(set(matches))

    # Change unique words with unique uuids. Same word won't get a
    # different uuid
    for match in unique_matches:
        pattern = r"(?<=archive:)(" + match + ")"
        text = re.sub(pattern, str(generateUUID()), text)

    file = open('{path}', 'w')
    file.write(text)
    file.close()

main()

您只需要将 {path} 替换为您的文件路径即可！ 希望这对你也有用。

干杯!

Answer 1

您可以使用 re (regex) 模块来替换匹配的模式，让我们看看：

import re
re.sub(pattern, repl, string, count=0, flags=0)

Answer 2

你可以通过一个函数来应用re.sub repl说法是看到这里。 因此，您可以使用自己的一套规则来处理每场比赛。

编辑

根据评论修改。 archive:..找到匹配项，然后一一替换，因此位于文件中不同位置的相同匹配项获得相同的 uuid。

import uuid
import re


def main():
    text = """  ###  http://archive.semantyk.com/Abbreviation
archive:Abbreviation rdf:type owl:Class ;
                    rdfs:subClassOf archive:Word .
###  http://archive.semantyk.com/Ability
archive:Ability rdf:type owl:Class ;
            rdfs:subClassOf archive:Quality .
                ###  http://archive.semantyk.com/Abbreviation
archive:Abbreviation rdf:type owl:Class ;
                    rdfs:subClassOf archive:Word ."""

    # Firsts find what needs to changed.
    rg = r"archive:([^\s]+)"
    matches = re.findall(rg, text, re.M)
    # convert list to a set to get rid of repeating matches
    # then convert back to a list again
    unique_matches = list(set(matches))

    # Change unique matches with unique uuids. Same matches won't get a
    # different uuid
    for match in unique_matches:
        pattern = r"(?<=archive:)(" + match + ")"
        text = re.sub(pattern, str(uuid.uuid4()), text)

    print(text)


if __name__ == "__main__":
    main()