如何避免使用 Python re 库删除文本文件中正则表达式标志之间的文本块？

Posted 2023-03-15

【中文标题】如何避免使用 Python re 库删除文本文件中正则表达式标志之间的文本块？

【英文标题】：How do I avoid removing blocks of text between Regex flags in my text file using the the Python re library?

【发布时间】：2021-09-18 10:18:19

【问题描述】：

我目前正在尝试使用 Python re 库根据我放在这些文件中的唯一标志来剪切文本文件块。但是，如果我在我的文件中包含多个标记块的实例，我会发现所有标记块都集中在一起作为一个大块并被删除。

考虑这个示例文本文件，将其命名为test.txt：

Do, a deer, a female deer
### mark
Re, a drop of golden sun
### end mark
Mi, a name I call myself
Fa, a long long way to run
### mark
So, a needle pulling thread
La, a note to follow So
Ti, a drink with jam and bread
### end mark
Now that brings us back to Do

我正在使用以下代码来剪切我想要的文本块：

def replace_file_text(path, regex, repl, flags=0):
    old_text = ""
    with open(path, "r", encoding="utf-8") as f:
        old_text = f.read()
    new_text = re.sub(regex, repl, old_text, flags=flags)
    with open(path, "w", encoding="utf-8") as f:
        f.write(new_text)

replace_file_text("test.txt", r"### mark.*### end mark", "", re.DOTALL)

我希望将文本文件转换为：

Do, a deer, a female deer
Mi, a name I call myself
Fa, a long long way to run
Now that brings us back to Do

但我最终得到的是：

Do, a deer, a female deer
Now that brings us back to Do

我知道问题出在哪里，但我不确定如何避免将我的标志实例计数为要删除的文本。

最初，我使用 sed 文本编辑器编写了一个 shell 脚本来剪切这些文本块，并且效果很好：

sed "/### mark/,/### end mark/d" test.txt > new-test.txt

有人可以向我解释为什么后一种方法有效而前一种方法无效吗？有没有人对一种相对干净的方法有任何建议，以避免在 Python 版本中删除我的标志之间的文本？

【问题讨论】：

` r"### mark.*?### end mark"` ?

是的。做到了。谢谢克里斯！

很高兴能帮上忙。此正则表达式中的 ? 使前面的 .* nongreedy。正则表达式首先向前看是否匹配### end mark。如果没有，它会前进一个位置并继续寻找和前进，直到找到那个短语。如果没有non-greedy ?，.* 会读入字符串中的所有字符，然后回溯以查找该阶段的最后一次出现。 ? 也有其他用途（取决于它的位置）。它将像他的帖子中提到的damonmickelsen 那样运行。

【参考方案1】：

听起来您需要在正则表达式中添加一些特殊字符。比如特殊字符？

导致生成的 RE 匹配前面 RE 的 0 或 1 次重复。 ab?将匹配“a”或“ab”。

目前，如果没有特殊字符，它将是“贪婪的”并匹配模式的第一次和最后一次出现。查看 Python 的“re - Regular expression operation”页面的“特殊字符”部分。

我想你最终会得到这样的结果： replace_file_text("test.txt", r"(### mark).*(### end mark)?", "", re.DOTALL)

对于正则表达式，我发现反复试验是您找到正确解决方案的方法。它们既复杂又特殊。

【讨论】：

事实证明，我所需要的只是在.* 部分添加一个问号以形成r"### mark.*?### end mark"。用您使用的术语来说，这基本上使匹配尽可能不贪婪，因此我将小片段相互匹配，而不是整个匹配。不过，感谢您的帮助！