正则表达式去除换行符

Question

我是Python的完全新手，但我遇到了一个正则表达式问题。我试图从文本文件中去掉每行末尾的换行符，但只有在它跟随一个小写字母[a-z]时。如果一行末尾是小写字母，则要将换行符/新行字符替换为一个空格。

以下是我目前的代码：

import re
import sys

textout = open("output.txt","w")
textblock = open(sys.argv[1]).read()
textout.write(re.sub("[a-z]\z","[a-z] ", textblock, re.MULTILINE) )
textout.close()

- Jean77

---

如果在正则表达式中没有 $ 和 ^，则不需要使用标签 re.MULTILINE。 - eyquem

Answer 1

尝试

re.sub(r"(?<=[a-z])\r?\n"," ", textblock)

\Z 只匹配字符串的结尾，即最后一个换行符之后，所以在这里它肯定不是你需要的东西。\z在Python正则表达式引擎中无法识别。

(?<=[a-z])是一个正向回顾断言，它检查当前位置前面的字符是否为小写ASCII字符。只有在满足条件时，正则表达式引擎才会尝试匹配换行符。

此外，始终使用原始字符串与正则表达式一起使用，可以更容易地处理反斜杠。

- Tim Pietzcker

---

我会将\r?\n替换为[\r\n]+，以便也匹配单个的\r。 - ThiefMaster

@ThiefMaster：还有使用\r的Mac电脑吗？Python能在上面运行吗？我以为苹果已经放弃了在OS X中使用\r作为行尾符，但是我可能完全错了。 - Tim Pietzcker

希望不是这样，但你永远不知道有什么糟糕的文件存在 - 有太多的文件包含混合\n和\r\n，所以我认为还是会存在一些\r文件。 - ThiefMaster

所以 [\r\n]{1,2} 就可以了，或者更好的是根据我的建议：(\n|\r\n?) 其中 \r 单独出现的情况是第三种可能需要测试。 - eyquem

@eyquem：肯定是第二个：(?:\n|\r\n?)，否则你可能会意外删除两个相邻的Unix换行符。 - Tim Pietzcker

Answer 2

作为另一种选择，虽然需要更多的行，但我认为以下内容可能会更清晰，因为正则表达式更简单：

import re
import sys

with open(sys.argv[1]) as ifp:
    with open("output.txt", "w") as ofp:
        for line in ifp:
            if re.search('[a-z]$',line):
                ofp.write(line.rstrip("\n\r")+" ")
            else:
                ofp.write(line)

...并且避免将整个文件加载到字符串中。如果你想使用更少的行，但仍然避免使用正向后查找，可以这样做：

import re
import sys

with open(sys.argv[1]) as ifp:
    with open("output.txt", "w") as ofp:
        for line in ifp:
            ofp.write(re.sub('(?m)([a-z])[\r\n]+$','\\1 ',line))

正则表达式的部分内容如下：

• (?m) [开启多行匹配模式]
• ([a-z]) [匹配第一组为单个小写字母]
• [\r\n]+ [匹配一个或多个回车符或换行符，以覆盖\n，\r\n和\r]
• $ [匹配字符串的结尾]

如果匹配了该行，则会用\\1替换小写字母和行结尾，其中\\1表示小写字母后跟一个空格。

- Mark Longair

---

一行代码 ofp.write(re.sub("(?<=[a-z])(\n|\r\n?)"," ",line) 取代了四行代码 - eyquem

@eyquem：当然，但我的观点是避免使用正向后查找可能会使代码更易读，并且为此增加三行额外的代码也是值得的...好吧，我还是会添加另一个版本。 - Mark Longair

Answer 3

我的观点是避免使用正向回顾可能会使代码更易读

好的。尽管个人认为这并不会降低可读性。这是一个品味问题。

在您的编辑中：

• 首先，(?m)是不必要的，因为for line in ifp:每次选择一行，所以每行字符串的末尾只有一个换行符

• 其次，$放置在那里没有任何用处，因为它总是匹配字符串行的结尾。

无论如何，采纳您的观点，我找到了两种避免使用回顾断言的方法：

with open(sys.argv[1]) as ifp:
    with open("output.txt", "w") as ofp:
        for line in ifp:
            ante_newline,lower_last = re.match('(.*?([a-z])?$)',line).groups()
            ofp.write(ante_newline+' ' if lower_last else line)

并且

with open(sys.argv[1]) as ifp:
    with open("output.txt", "w") as ofp:
        for line in ifp:
            ofp.write(line.strip('\r\n')+' ' if re.search('[a-z]$',line) else line)

第二个更好: 只有一行, 简单匹配测试, 不需要使用 groups(), 自然逻辑

编辑: 我意识到这个第二段代码只是你的第一段代码用一行重写了, Longair

- eyquem