多个正则表达式搜索和替换

Question

我正在尝试创建一个简单的脚本，它可以从一个文件中读取正则表达式，然后在另一个文件中进行搜索和替换。现在我写的代码不能正常工作，文件没有任何变化，我到底哪里出错了呢？

import re, fileinput

separator = ' => '

file = open("searches.txt", "r")

for search in file:
    pattern, replacement = search.split(separator)
    pattern = 'r"""' + pattern + '"""'
    replacement = 'r"""' + replacement + '"""'
    for line in fileinput.input("test.txt", inplace=1):
        line = re.sub(pattern, replacement, line)
        print(line, end="")

文件 searches.txt 的内容是这样的：

<p (class="test">.+?)</p> => <h1 \1</h1>
(<p class="not">).+?(</p>) => \1This was changed by the script\2

而 test.txt 的内容是这样的：

<p class="test">This is an element with the test class</p>
<p class="not">This is an element without the test class</p>
<p class="test">This is another element with the test class</p>

我做了一个测试，看看它是否能正确读取文件中的表达式：

>>> separator = ' => '
>>> file = open("searches.txt", "r")
>>> for search in file:
...     pattern, replacement = search.split(separator)
...     pattern = 'r"""' + pattern + '"""'
...     replacement = 'r"""' + replacement + '"""'
...     print(pattern)
...     print(replacement)
... 
r"""<p (class="test">.+?)</p>"""
r"""<h1 \1</h1>
"""
r"""(<p class="not">).+?(</p>)"""
r"""\1This was changed by the script\2"""

第一个 replacement 的结束三重引号出现在了新的一行上，不知道这会不会是我问题的原因？

Answer 1

有两个观察结果：

1) 在读取文件时，使用 .strip()，像这样：

pattern, replacement = search.strip().split(separator)

这样可以去掉文件中的 \n 换行符。

2) 如果你想要处理正则表达式中的特殊字符，建议使用 re.escape()，而不是你现在用的 r"""+ str +""" 这种写法。

Answer 2

你不需要

pattern = 'r"""' + pattern + '"""'

在调用 re.sub 的时候，pattern 应该是实际的正则表达式。所以应该写成 <p (class="test">.+?)</p>。如果你把这些双引号都包裹起来，就会导致这个模式永远无法匹配到你文件中的文本。

即使你似乎见过这样的代码：

replaced = re.sub(r"""\w+""", '-')

在这种情况下，r""" 是告诉 Python 解释器你在说的是一个“原始”的多行字符串，或者说是一个不应该替换反斜杠序列的字符串（比如 \n 不会被替换成换行符）。程序员通常在 Python 中使用“原始”字符串来引用正则表达式，因为他们想用正则表达式的序列（像上面的 \w）而不需要再转义反斜杠。如果不使用原始字符串，正则表达式就得写成 '\\w+'，这会让人感到困惑。

不过无论如何，你根本不需要使用三重双引号。最后那段代码可以简单写成：

replaced = re.sub(r'\w+', '-')

最后，你的另一个问题是你的输入文件中有换行符，把每个模式和替换分开。所以实际上是“pattern => replacement\n”，而结尾的换行符跟在你的替换变量后面。试试这样做：

for search in file:
    search = search.rstrip() #Remove the trailing \n from the input
    pattern, replacement = search.split(separator)