删除“<TYPE>GRAPHIC”和“</TEXT>”之间的所有非ASCII字符答案

【问题标题】：Remove all non-ascii characters between "<TYPE>GRAPHIC" and "</TEXT>"删除“<TYPE>GRAPHIC”和“</TEXT>”之间的所有非ASCII字符
【发布时间】：2019-03-12 10:28:44
【问题描述】：

我有一个从 html 下载的 txt 文件，其内容如下所示。

<TYPE>GRAPHIC
<TEXT>
.....
Example of omitted part: M%$2G]\U?HQM7L^!5K*'5E/1@0?IQ5\S^0/\ G$O\IORU\W:1YV\MKK(UK1# (I guess are some kind of non-Ascii characters)
.....
</TEXT>

我想删除<TYPE>GRAPHIC 和</TEXT> 之间的所有内容并尝试re.sub('<TYPE>GRAPHIC(.*)</TEXT>', '', reader) 但不起作用。

【问题讨论】：

您可能需要添加单行模式和惰性量词，如下所示：re.sub('<TYPE>GRAPHIC(.*?)</TEXT>', '', reader, flags = re.S)

标签： python regex ascii

【解决方案1】：

老实说，我认为这是一个合法的问题，可能以前也有人问过，但是 re.sub 的行为真的很奇怪，需要很多时间才能习惯，而且大多数答案都没有解释。它通常会忽略捕获组这一事实特别令人困惑，所以我不明白为什么你被'-1'ed

无论如何，这两种解决方案应该可以工作：

>>> import re

>>> reader = '''<TYPE>GRAPHIC
    <TEXT>
    .....
    Example of omitted part: M%$2G]\U?HQM7L^!5K*'5E/1@0?IQ5\S^0/\ 
    G$O\IORU\W:1YV\MKK(UK1# 
    (I guess are some kind of non-Ascii characters)
    .....
    </TEXT>''' 

>>> re.sub("(?<=<TYPE>GRAPHIC)[\S\s]+(?=</TEXT>)", "", reader)
'<TYPE>GRAPHIC</TEXT>'

对于(?<=<TYPE>GRAPHIC)，我是说最终捕获的内容必须在<TYPE>GRAPHIC 之前。通过这样做，我同时也在说不要对/捕获/删除(?<=<TYPE>GRAPHIC) 本身采取行动
[\S\s]+ 我的意思是让这个捕获变得贪婪并查询以捕获所有文本
用(?=</TEXT>)我是说捕获的文本后面必须跟</TEXT>才能被捕获，但是</TEXT>最终不会在re.sub字符串结果中被删除，因为这是同时告诉 re.sub 不要实际捕获/采取行动/删除</TEXT>

。

>>> import re

>>> reader = '''<TYPE>GRAPHIC
    <TEXT>
    .....
    Example of omitted part: M%$2G]\U?HQM7L^!5K*'5E/1@0?IQ5\S^0/\ 
    G$O\IORU\W:1YV\MKK(UK1# 
    (I guess are some kind of non-Ascii characters)
    .....
    </TEXT>'''


>>> parsed = re.sub(r'(<TYPE>GRAPHIC)[\S\s]+(</TEXT>)', r'\1\n\n\2', reader)
>>> print(parsed)
<TYPE>GRAPHIC

</TEXT>

re.sub 正则表达式前面的“r”表示引擎将以“原始字符串”模式处理它
这样我可以打开正则表达式来打印特定的捕获组
额外需要注意的是，re.sub 以这种方式通常与您对消除文本的期望相反（实际上相反）
通过提供参数r'\1\n\n\2'，我告诉它保留/打印我的捕获组 1（通过 \1），在中间放置换行符并保留/打印我的捕获组 2（通过 @ 987654334@)，其他所有内容都不会返回并被忽略。

【讨论】：

【解决方案2】：

这里试试这个：

re.sub("(?!<TYPE>GRAPHIC)\n(?:.|\n)+(?=<\/TEXT>)", "", text)
'<TYPE>GRAPHIC</TEXT>\n'

这里有一些复杂的正则表达式模式，如果你想知道它们是什么，这里references for lookahead and lookbehind

【讨论】：

您好，我使用此代码读取 txt 文件并尝试您的代码，但它不起作用并显示“内存错误”。使用 open(filename, 'r') 作为文件： text = file.read() result = re.sub("(?!GRAPHIC)\n(?:.|\n)+(?=)", "", 文本)
您的文本文件有多大？这有点奇怪。
请：不要 - 表达式 (?:.|\n)+ 是一场噩梦 - 改用适当的修饰符（例如单行 re.S）。
@metoikos 文本文件大小为 111,000 KB