在 Python 中使用正则表达式查找和替换文件中的单词列表

Posted 2023-02-23

【中文标题】在 Python 中使用正则表达式查找和替换文件中的单词列表

【英文标题】：Finding and substituting a list of words in a file using regex in Python

【发布时间】：2015-01-05 10:11:00

【问题描述】：

我想将文件的内容打印到终端，并在此过程中突出显示在列表中找到的任何单词，而不修改原始文件。以下是尚未生效的代码示例：

    def highlight_story(self):
        """Print a line from a file and highlight words in a list."""

        the_file = open(self.filename, 'r')
        file_contents = the_file.read()

        for word in highlight_terms:
            regex = re.compile(
                  r'\b'      # Word boundary.
                + word       # Each item in the list.
                + r's0,1', # One optional 's' at the end.
                flags=re.IGNORECASE | re.VERBOSE)
            subst = '\033[1;41m' + r'\g<0>' + '\033[0m'
            result = re.sub(regex, subst, file_contents)

        print result
        the_file.close()

highlight_terms = [
    'dog',
    'hedgehog',
    'grue'
]

事实上，只有列表中的最后一项，无论它是什么或列表有多长，都会被突出显示。我假设每次替换都被执行，然后在下一次迭代开始时“忘记”。它看起来像这样：

Grues 已知会吃人类和非人类动物。在光线不足的地区，任何富裕的grue都认为狗和刺猬是美味佳肴。然而，狗可以通过在音阶中吠叫来吓唬 grue。另一方面，刺猬必须接受自己成为适合 grue 国王的热狗的命运。

但它应该是这样的：

Grues 已知会吃人类和非人类动物。在光线不足的地区，dogs 和 hedgehogs 被任何富裕的 grue 视为美味佳肴。 Dogs 可以吓跑 grue，但是，通过在音阶中吠叫。另一方面，hedgehog 必须接受自己成为适合 grue 国王的热狗的命运。

我怎样才能阻止其他替换丢失？

【参考方案1】：

您可以将您的正则表达式修改为以下内容：

regex = re.compile(r'\b('+'|'.join(highlight_terms)+r')s?', flags=re.IGNORECASE | re.VERBOSE)  # note the ? instead of 0, 1. It has the same effect

那么，您将不需要for 循环。

此代码获取单词列表，然后将它们与| 连接在一起。所以如果你的清单是这样的：

a = ['cat', 'dog', 'mouse'];

正则表达式是：

\b(cat|dog|mouse)s?

【讨论】：

@ChristopherPerry，没问题。很高兴我能帮忙

【参考方案2】：

您需要每次通过循环将file_contents重新分配给被替换的字符串，重新分配file_contents不会改变文件中的内容：

def highlight_story(self):
        """Print a line from a file and highlight words in a list."""

        the_file = open(self.filename, 'r')
        file_contents = the_file.read()
        output = ""
        for word in highlight_terms:
            regex = re.compile(
                  r'\b'      # Word boundary.
                + word       # Each item in the list.
                + r's0,1', # One optional 's' at the end.
                flags=re.IGNORECASE | re.VERBOSE)
            subst = '\033[1;41m' + r'\g<0>' + '\033[0m'
            file_contents  = re.sub(regex, subst, file_contents) # reassign to updatedvalue
        print file_contents
        the_file.close()

另外使用 with 打开文件是一种更好的方法，您可以在循环外复制字符串并在内部更新：

def highlight_story(self):
    """Print a line from a file and highlight words in a list."""
    with open(self.filename) as the_file:
        file_contents = the_file.read()
        output = file_contents # copy
        for word in highlight_terms:
            regex = re.compile(
                r'\b'  # Word boundary.
                + word  # Each item in the list.
                + r's0,1',  # One optional 's' at the end.
                flags=re.IGNORECASE | re.VERBOSE)
            subst = '\033[1;41m' + r'\g<0>' + '\033[0m'
            output = re.sub(regex, subst, output) # update copy
        print output
    the_file.close()

【参考方案3】：

提供的正则表达式是正确的，但 for 循环是你出错的地方。

result = re.sub(regex, subst, file_contents)

此行将regex 中的subst 替换为file_content。

在第二次迭代中，它再次在 file_content 中进行替换，正如您打算在 result 上进行的那样

如何纠正

结果 = 文件内容

for word in highlight_terms:
    regex = re.compile(
          r'\b'      # Word boundary.
        + word       # Each item in the list.
        + r's?\b', # One optional 's' at the end.
        flags=re.IGNORECASE | re.VERBOSE)
    print regex.pattern
    subst = '\033[1;41m' + r'\g<0>' + '\033[0m'
    result = re.sub(regex, subst, result) #change made here

 print result