前言

先介绍我们要实现什么效果:用正则表达式进行匹配,并用匹配的内容一部分进行拼接,然后替换这个正则匹配到的内容。听起来是不是很难懂?我在网上查了一下,这种行为应该叫“分组和捕获”,用例子来说明可能更清晰:

<link rel="pingback" href="https://www.sitstars.com/action/xmlrpc" />
<link rel="EditURI" type="application/rsd+xml" title="RSD" href="https://www.sitstars.com/action/xmlrpc?rsd" />
<link rel="wlwmanifest" type="application/wlwmanifest+xml" href="https://www.sitstars.com/action/xmlrpc?wlw" />
<link rel="alternate" type="application/rss+xml" title="python+百度云api写一个文字识别程序 &raquo; Shu's Garden &raquo; RSS 2.0" href="https://www.sitstars.com/feed/archives/39/" />
<link rel="alternate" type="application/rdf+xml" title="python+百度云api写一个文字识别程序 &raquo; Shu's Garden &raquo; RSS 1.0" href="https://www.sitstars.com/feed/rss/archives/39/" />
<link rel="alternate" type="application/atom+xml" title="python+百度云api写一个文字识别程序 &raquo; Shu's Garden &raquo; ATOM 1.0" href="https://www.sitstars.com/feed/atom/archives/39/" />
其他内容……

假如我想提取出<>中的rel="#"href="#",然后把#拼接到一起(用逗号分隔),以替换<>中的内容,也就是说,最后的文字应该是这样

pingback,https://www.sitstars.com/action/xmlrpc
EditURI,https://www.sitstars.com/action/xmlrpc?rsd
wlwmanifest,https://www.sitstars.com/action/xmlrpc?wlw
alternate,https://www.sitstars.com/feed/archives/39/
alternate,https://www.sitstars.com/feed/rss/archives/39/
alternate,https://www.sitstars.com/feed/atom/archives/39/
其他内容……

应该怎么做?

匹配的话很容易,<\w+\srel="(\w+)".+href="(\S+)".+>就行(随手写的,正则大佬勿喷),注意我用括号括起来的,就是我们所需要的两个组。

在一些工具(比如站长工具的在线正则表达式测试)中,可以用$1,$2来替换,也即用$1来匹配捕获第一组,$2来捕获第二组。不过大部分工具貌似都没有这个功能……

问题来源于今晚我整理笔记的时候,从word复制过来的文档转为markdown格式后,脚注出现了一些莫名其妙的符号,想在vnote中进行正则批量替换,然而发现vnote不支持分组。那word呢?很遗憾我发现word对正则的支持都很少,至少我把正则表达式放上去后,根本搜不到内容。那怎么办?自然而然地,我想到了python,用python应该可以轻易替换吧?

代码很快写完,也进行了批量替换(具体代码可参见markdown图片链接自动替换)。但是我却陷入了沉思:这么重要的功能为什么python没有?还要写这么一段代码才能间接实现(虽然python的re.matchre.search有个group()属性可以进行分组,但是我实在不知道该如何在不用循环的情况下进行批量替换)。联系到上次我做脚本的时候也是苦思冥想了一会才写出这段代码。为什么不把它也写成一个程序呢?以后直接调用就行,可以节省大量时间。说干就干,打开python开始写(mo)代(yu)码(zhong)。

代码

import re

def regular_mode(regulation,sub_org,file_path):
    sub_list = []  # 需要替换的数字列表
    sub_copy = sub_org
    while re.search('!@\d',sub_copy):
        sub_count = re.search('!@\d',sub_copy).group() # 查询'!@\d'       
        sub_index = sub_copy.index(sub_count) # 找到'!@\d'的位置
        sub_list.append((sub_copy[int(sub_index)+2],sub_index)) # 替换数字和位置的元组
        sub_copy = sub_copy.replace(sub_count,sub_copy[int(sub_index)+2],1) # 替换'!@\d'为'\d',以便循环
    
    pattern = re.compile(regulation)

    with open(file_path,'r+',encoding = "utf-8") as handler:
        content = handler.read() 

        handler.seek(0)
        handler.truncate()    

        while pattern.search(content):
            sub_pat = pattern.search(content)
            sub_str = ''
            start = 0
            count = 0
            for idx in sub_list:                
                sub_str += sub_org[start:idx[1]+count]+sub_pat.group(int(idx[0])) 
                # 因为上面得出的位置都是去掉前面'!@\d'之后的位置,所以需要进行一定调整
                count += 2
                start = idx[1]+count+1
            sub_str += sub_org[start:]  # 防止最后一个索引后仍然有其他字符                
            content = content.replace(sub_pat.group(),sub_str, 1)
        handler.write(content)

def main():
    regulation = '\[\\\\\[(\d+)\\\\\]\]\(#_ftnref\d+\)' # 这里定义正则规则
    sub_org = '[^!@1]:'  # 用!@来索引,这里不用考虑转义
    file_path = 'test.md'  
    regular_mode(regulation,sub_org,file_path)

if __name__ == '__main__':
    main()

这样,我们可以随意分组匹配并拼接替换。这里用!@来定义索引,那么上述例子可以用!@1,!@2来进行匹配替换。嗯!完美。打开博客就准备开始水一篇文章。

更简洁的代码

没错,想必你也发现了,这篇文章的开头没有放github地址,也没有讲我的思路(尽管我花了两个多小时才写出来)。是这样的,正当我准备写文章的时候,突然灵光一闪,想起来以前学崔庆才老师的爬虫教程时,他好像也用到了正则表达式,看看他是怎么解决这个问题的吧。

于是我打开了笔记。

于是我呆住了。

对,明明有更简单的方案的!先上代码:

import re

pattern = re.compile('<\w+\srel="(\w+)".+href="(\S+)".+>')

with open('test.txt','r+',encoding = "gbk") as handler:
    content = handler.read() 
    items = pattern.findall(content)
    for item in items:
        sub_str = item[0]+','+item[1]
        content = content.replace(pattern.search(content).group(),sub_str,1)
    print(content)

是这样的,如果正则中出现了括号,那么就开始进行分组,此时re.findall不再是列出正则的匹配对象,而是列出由各分组组成的元组!还是以开头的例子为例,用re.findall匹配后,结果如下:

[('pingback', 'https://www.sitstars.com/action/xmlrpc'), 
('EditURI', 'https://www.sitstars.com/action/xmlrpc?rsd'), 
('wlwmanifest', 'https://www.sitstars.com/action/xmlrpc?wlw'),
('alternate', 'https://www.sitstars.com/feed/archives/39/'),
('alternate', 'https://www.sitstars.com/feed/rss/archives/39/'),
('alternate', 'https://www.sitstars.com/feed/atom/archives/39/')]

这样的话,我们就可以很容易地进行组合替换了,虽然还是要用到循环,但是这种方案无疑简单得多,也高效得多。

居然为了这个功能花了那么久……还是自己的python基础不过关呐。不多说了,我自闭了。

哦,对,笔记还是没有整理完QAQ。

Last modification:October 19th, 2019 at 11:50 pm