如何删除“ " 使用 Python 处理大文件中的字符？

Question

我有一个包含大量电子邮件地址的大型 .txt 文件，但它也包含许多不必要的“ " 字符。我只想提取电子邮件地址并删除任何其他字符。

为此，我用 Python 编写了一个小脚本。

import re

filename = "input.txt"
output_filename = "output.txt"
email_regex = r'\s*([A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,})\s*'

with open(filename, "r") as f, open(output_filename, "w") as out:
    for line in f:
        emails = re.findall(email_regex, line)
        for email in emails:
            out.write(email + "\n")

虽然脚本成功提取了常规电子邮件地址，但在处理某些格式时遇到了一些困难。

举个例子，假设我有一行数据是“CC [email protected] ”。当我运行我的代码时，生成的输出是“[email protected]”，这不是我想要的。相反，我希望输出是“[email protected]”而没有前导“n”字符”

接下来，我测试了另一个用于单个电子邮件地址的小 Python 脚本，结果成功了。

import re

string = "CC\[email protected]\n"
email_regex = r'[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}'

email = re.search(email_regex, string).group()

print(email)

所以我想从一个大文件中得到相同的结果。如果您对此有解决方案，那对我有好处。

Answer 1

暗中拍摄：因为您说匹配

CC\[email protected]\n

会导致

[email protected]

，我猜您的“

\n

字符”不是换行符，而是实际的

\

s后跟

n

s .如果管道中的某处内容被错误地转义，或者文本来自源代码，就会发生这种情况。

这可以解释为什么您的小示例使用硬编码字符串而不是文本文件：当您编写

string = "CC\[email protected]\n"

时，Python 本身正在用换行符替换

\n

字符。要模拟文本文件的内容，您应该使用

string = "CC\\[email protected]\\n"

.

如果是这种情况，您可以在正则表达式中添加 negative lookbehind，例如

(?<\\n)rest_of_email_regex_here

.

或者更简单地说，做一个预处理步骤，用实际的换行符替换所有这些字符：

...
    for line in f:
        line = line.replace('\\n', '\n')
        emails = re.findall(email_regex, line)
        ...

如果您的文本文件真的只包含

\n

和电子邮件地址，替换

\n

后，您可以跳过正则表达式并使用

line.split()

提取所有地址。这将返回所有非空格字符序列。