Python：在特定条件下使用正则表达式查找和替换

4 回答

• 1

  您必须在点之前和之后存储 [a-z] 内容，以便将其再次放入替换后的字符串中 . 我在这里解决了它：

  from __future__ import print_function
  import sys
  import re
  
  nargs = len(sys.argv)
  if nargs < 2:
      sys.exit('You did not specify a file')
  else:
      inputFile = sys.argv[1]
      fp = open(inputFile)
      content = fp.read()
  
  replace = '\\1(dot)\\3'
  regex = '(.*[a-z])(\.)([a-z].*)'
  print(re.sub(regex, replace, content, re.M| re.I| re.DOTALL))
  

  回复于 2024-04-20T05:36:13+08:00
• 3

  你可以使用lookahead和lookbehind断言：

  import  re
  
  s = "http://www.google.com 127.0.0.1"
  
  print(re.sub("(?<=[a-z])\.(?=[a-z])", "(dot)", s))
  http://www(dot)google(dot)com 127.0.0.1
  

  为了工作字母和数字，这应该有把戏，确保至少有一个字母：

  s = "http://www.googl1.2com 127.0.0.1"
  
  print(re.sub("(?=.*[a-z])(?<=\w)\.(?=\w)", "(dot)", s, re.I))
  
  http://www(dot)googl1(dot)2com 127.0.0.1
  

  对于您的文件，您需要 re.M ：

  In [1]: cat test.txt
  google8.com
  google9.com
  192.60.10.10
  33.44.55.66
  google10.com
  192.168.1.1
  google11.com
  
  In [2]: with open("test.txt") as f:
     ...:         import re
     ...:         print(re.sub("(?=.*[a-z])(?<=\w)\.(?=\w)", "(dot)", f.read(), re.I|re.M))
     ...:     
  google8(dot)com
  google9(dot)com
  192.60.10.10
  33.44.55.66
  google10(dot)com
  192.168.1.1
  google11(dot)com
  

  如果文件很大并且内存是个问题，你也可以逐行进行，要么将所有行存储在列表中，要么在使用每行时：

  import re
  with open("test.txt") as f:
      r = re.compile("(?=.*[a-z])(?<=\w)\.(?=\w)", re.I)
      lines = [r.sub("(?=.*[a-z])(?<=\w)\.(?=\w)", "(dot)") for line in f]
  

  回复于 2024-04-20T05:36:13+08:00
• 0

  根据您的代码判断，您希望替换模式中的第一个组 . 但是， re.sub 替换整个匹配模式，而不是组 . 在你的情况下，这是句点之前的单个字符，句点本身和它之后的单个字符 .

  即使子工作符合您的期望，您的正则表达式也会缺少数字是URL的一部分，例如 www.2048game.com . 定义IP看起来更容易 . 它's always a set of four numbers with one, two or three digits each, separated by dots. (In the case of IPv4, anyway. But IPv6 does not use periods, so it doesn'在这里 . ）

  假设您的文本文件中只有URL和IP，只需过滤掉所有IP，然后替换其余URL中的句点：

  is_ip = re.compile('\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}')
  urls = content.split(" ")
  for i, url in enumerate(urls):
      if not is_ip.match(url):
          urls[i] = url.replace('.', '(dot)')
  content = ' '.join(urls)
  

  当然，如果您在 content 中有常规文本，这也将替换所有常规时段，而不仅仅是URL . 在这种情况下，您首先需要更复杂的URL检测 . 见In search of the perfect URL validation regex

  回复于 2024-04-20T05:36:13+08:00
• 0

  import re
  
  content = "I tried to do this using regex, but my output is http://www.googl.com 192.60.10.10 33.44.55.66\nhttp://ya.ru\n..."
  
  reg = r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+'
  
  all_urls = re.findall(reg, content, re.M| re.I| re.DOTALL)
  repl_urls = [u.replace('.', '(dot)') for u in all_urls]
  
  for u, r in zip(all_urls, repl_urls):
      content = content.replace(u, r)
  
  print content
  

  回复于 2024-04-20T05:36:13+08:00