Python 对于 re.match re.sub

Question

正在处理 csv 文件。它包含源列表（简单 ssl links）、地点、网站（非 ssl links）、Direcciones 和电子邮件。当某些数据不可用时，它根本不会出现。像这样：

httpsgoogledotcom, GooglePlace2, Direcciones, Montain View, Email, googplace@yourplace.com

然而网站 'a html tag' links 总是出现两次，后面跟着几个逗号。同样，逗号后面有时是 Direcciones，有时是来源 (https)。因此，如果进程在 EOF 时没有中断，它可能会持续 'replacing' 数小时，并创建一个包含 gbs 冗余和错放信息的输出文件。让我们选择四个条目作为示例 Reutput.csv:

> httpsgoogledotcom, GooglePlace, Website, "<a> href='httpgoogledotcom'></a>",,,,,,,,,,,,,, 
> "<a href='httpgoogledotcom'></a>",,,,,,,,,,,,, 
> ,,Direcciones, Montain View, Email, googplace@yourplace.com
> httpsbingdotcom, BingPlace, Direcciones, MicroWorld, Email, bing@yourplace.com
> httpsgoogledotcom, GooglePlace, Website, "<a> href='httpgoogledotcom'></a>",,,,,,,,,,,,,, 
> "<a href='httpgoogledotcom'></a>",,,,,,,,,,,,, 
> httpsbingdotcom, BingPlace, Direcciones, MicroWorld, Email, bing@yourplace.com

所以想法是删除不需要的网站 'a html tag' link 和多余的逗号，但尊重新行 /n 而不是陷入循环。像这样：

> httpsgoogledotcom, GooglePlace, Website, "<a href='httpgoogledotcom'></a>",Direcciones, Montain View, Email, googplace@yourplace.com 
> httpsbingdotcom, BingPlace, Direcciones,MicroWorld, Email, bing@yourplace.com
> httpsgoogledotcom, GooglePlace,Website, <a href='httpgoogledotcom'></a>"
> httpsbingdotcom, BingPlace, Direcciones, MicroWorld, Email, bing@yourplace.com

这是代码的最新版本：

with open('Reutput.csv') as reuf, open('Put.csv', 'w') as putuf:
    text = str(reuf.read())
    for lines in text:
        d = re.match('</a>".*D?',text,re.DOTALL)
        if d is not None:
            if not 'https' in d:
                replace = re.sub(d,'</a>",Direc',lines)
        h = re.match('</a>".*?http',text,re.DOTALL|re.MULTILINE)
        if h is not None:
            if not 'Direc' in h:
                replace = re.sub(h,'</a>"\nhttp',lines)
        replace = str(replace)
        putuf.write(replace)

现在我得到一个 Put.csv 文件，其中最后一行永远重复。为什么这个循环？我已经尝试了几种方法来处理这段代码，但遗憾的是，我仍然坚持这一点。提前致谢。

Answer 1

当没有匹配时，groups 将是 None。您需要防范这种情况（或重构正则表达式，使其始终匹配某些内容）。

    groups = re.search('</a>".*?Direc',lines,re.DOTALL)
    if groups is not None:
        if not 'https' in groups:

请注意添加的 not None 条件及其控制的后续行的缩进。

Answer 2

最后我自己搞定了代码。我把它贴在这里希望有人觉得它有用。无论如何，谢谢你的帮助和反对票！

import re
with open('Reutput.csv') as reuf, open('Put.csv', 'w') as putuf:
    text = str(reuf.read())
    d = re.findall('</a>".*?Direc',text,re.DOTALL|re.MULTILINE)
    if d is not None:
        for elements in d:
            elements = str(elements)
            if not 'https' in elements:
                    s = re.compile('</a>".*?Direc',re.DOTALL)
                    replace = re.sub(s,'</a>",Direc',text)
    h = re.findall('</a>".*?https',text,re.DOTALL|re.MULTILINE)
    if h is not None:
        for elements in h:
            if not 'Direc' in elements:
                s = re.compile('</a>".*?https',re.DOTALL)
                replace = re.sub(s,'</a>"\nhttps',text)
        replace = str(replace)
        putuf.write(replace)

Python 对于 re.match re.sub

Python for re.match re.sub

html

python

csv

text

match