Python多個正則表達式替換

Question

我是一個蟒蛇新手。 我一直在尋找，但發現我的觀念只有一點點。 Windows上的Python 2.7（我選擇了python，因為它是多平台，結果可以在Windows上移植）。

我想創建一個腳本，在文件夾中搜索* .txt UTF-8文本文件，加載內容（一個文件在彼此之后），將非ascii字符更改為html權限，然后在開始時添加html標記並且在每一行的末尾，但是標簽的兩個變體，一個用於文件的頭部，一個用於文件的尾部，其中（頭尾）由空行分隔。 之后，所有結果必須寫入另一個文本文件，如* .htm。 要視覺：

unicode1.txt：

űnícődé text line1
űnícődé text line2
[empty line]
űnícődé text line3
űnícődé text line4

結果必須在unicode1.htm中：

<p class='aaa'>&#369;n&iacute;c&#337;d&eacute; text line1</p>
<p class='aaa'>&#369;n&iacute;c&#337;d&eacute; text line2</p>
[empty line]
<p class='bbb'>&#369;n&iacute;c&#337;d&eacute; text line3</p>
<p class='bbb'>&#369;n&iacute;c&#337;d&eacute; text line3</p>

我開始開發我的解決方案的核心，但我堅持了下來。 請參閱腳本版本（為簡單起見，我選擇使用xmlcharrefreplace進行編碼）。

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"^", "<p>", line, 1)
  text=text+re.sub(r"$", "</p>", line, 1)
print text

它工作得很好，但是對於這個任務來說，fileinput不是我認為可行的方式。

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"^", "<p>", line, 1)
  text=text+re.sub(r"$", "</p>", line, 1)
f.close()
print text

它搞砸了結果，在行開始時關閉標記替換第一個字母等。

V3（試過多行標志）：

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"^", "<p>", line, 1, flags=re.M)
  text=text+re.sub(r"$", "</p>", line, 1, flags=re.M)
f.close()
print text

結果相同。

V4（試過1個正則表達式而不是2個）：

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"<p>\1</p>", line, 1)
f.close()
print text

結果相同。 請幫忙。

編輯：我剛用hexeditor檢查結果文件，每個結束標記前都有一個x0D字節！ 為什么？

Edit2：更改為更合理的方法

text+=re.sub(r"^(.*)$", r"<p>\1</p>", line, 1)

編輯3：使用hexeditor我看到了混亂結果的原因：每個CRLF之前的額外CR（x0D）字節。 我追蹤了CR問題，是什么原因：用+連接

# -*- coding: utf-8 -*-
text=""
f=u"unicode text line1\r\n unicode text line2"
for line in f:
  text+=line
print text

這導致：

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

任何想法，如何解決這個問題？

Answer 1

這里根本不需要正則表達式，只需這樣做：

with open('utf8.txt') as f:
    class_name = 'aaa'
    for line in f:
        if line == '\n':
            classname = 'bbb'
        else:
            # decode / convert line
            line = '<p class="{0}">{1}</p>\n'.format(class_name, line.rstrip())
        # write line to file

您獲得的結果看起來並不是由正則表達式引起的，因為它們似乎是正確的。 問題很可能出在您進行編碼/轉換的行中。 打印該行而不添加標記以查看它是否符合預期。

Answer 2

#!/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('<p class="%s">%s</p>' % (klass, line))

例

$ python txt2html.py c:\root\dir