读取目录中的所有文件并输出其中包含某些正则表达式的文件

Question

我正在尝试读取目录中的所有文件并输出包含正则表达式的文件以及每个文件中的正则表达式。

 import glob
import re
import PyPDF2
#-------------------------------------------------Input----------------------------------------------------------------------------------------------
folder_path = "/home/"
file_pattern = "/*"
folder_contents = glob.glob(folder_path + file_pattern)

#Search for Emails
regex1= re.compile(r'\S+@\S+')
#Search for Phone Numbers
regex2 = re.compile(r'\d\d\d[-]\d\d\d[-]\d\d\d\d')

match_list=[]

for file in folder_contents:

    if re.search(r".*(?=pdf$)",file):
        #this is pdf
        with open(file, 'rb') as pdfFileObj:
            pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 
            pageObj = pdfReader.getPage(0)  
            content = pageObj.extractText()
            read_file = open(file,'rb')
            #print("{}".format(file))

    elif re.search(r".*(?=csv$)",file):
        #this is csv
        with open(file,"r+",encoding="utf-8") as csv:
            read_file = csv.read()
            #print("{}".format(file))
    elif re.search(r"/jupyter",file):
        print("wow")
    elif re.search(r"/scikit",file):
        print("wow")
    else:
        read_file = open(file, 'rb').read()
       #print("{}".format(file))
        continue
    if regex1.findall(read_file) or regex2.findall(read_file):
                print(read_file)

我设法编写了以下代码，但它给出了以下错误：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-39-f614d35e0441> in <module>()
     38        #print("{}".format(file))
     39         continue
---> 40     if regex1.findall(read_file) or regex2.findall(read_file):
     41                 print(read_file)

TypeError: expected string or bytes-like object

有什么方法可以让它在没有错误的情况下工作？

Answer 1

用这个替换你读取的文件代码：

with open(File, mode='rb') as file:
    readFile = file.read()

Answer 2

对于read()，只有open(filename) 可以工作。换成这个，你的问题就解决了。

read_file = open(file).read()

Answer 3

首先我向回答这个问题的其他人道歉，因为我会说一些关于 OP 以前的问题。

关于OP，你不应该不假思索地复制代码。

Content 是您已经阅读的页面。这意味着您的代码应该是read_file = content。以及为什么我写read_file = #，因为我认为你会添加额外的代码。但它不应该再次读取相同的文件。

with open(file, 'rb') as pdfFileObj:
        pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 
        pageObj = pdfReader.getPage(0)  
        content = pageObj.extractText()
        read_file = open(file,'rb') 
        #^---^---^ according to your former question, `read_file` should  be `content`

而且还会出现其他问题。您应该在print("wow") 之后添加continue。

elif re.search(r"/jupyter",file):
    print("wow")
elif re.search(r"/scikit",file):
    print("wow")

否则您的代码将继续运行，然后发生错误。因为你什么都没读。

if regex1.findall(read_file) or regex2.findall(read_file):
    print(read_file)