我有一个由许多电子邮件密码组合组成的txt文件,问题是它的开头中间或结尾处充满了符号。这些都可以使用正则表达式替换,但我的问题是读取 txt 文件并将所有数据保留在 1 列中。不能使用分隔符或分隔符,因为每行包含许多不同的符号。即使默认的“,”也是不可行的,因为行以“,”开头,所以它不会保留任何数据。
我已经有一个脚本,它只能找到电子邮件并使用 pandas 和正则表达式消除噪音,但最初的读取是我的问题。我听说过在 c 引擎上使用 python 引擎,但这样做会导致某些列显示 NaN 并将电子邮件传递组合的其余部分分别放在第 2 列中。
with open(self.breach_file, 'r', encoding='utf-8') as breach_file:
found_reader = pd.read_csv(breach_file, names=['Email'], dtype={'Email':str}, quoting=csv.QUOTE_NONE, engine='c')
found_reader = pd.DataFrame(found_reader)
found_reader['Email'] = found_reader['Email'].replace(symbol_dictionary_colon, ':', regex=True).replace(symbol_dictionary_no_space, '', regex=True)
found_reader = found_reader.str.replace('?', '', regex=True).str.strip()
loaded_list = found_reader.str.replace(symbol_dictionary_first_char, '', regex=True)
breach_file.close()
我只想在 1 列中读取数据,无论该行以什么符号开头。有什么帮助吗?
附注我尝试过使用 2 列,然后如果第 1 列是
NaN
,则创建一个连接了第 1 列和第 2 列的新列,但这并没有提供可行的解决方案。
那么您的文件只包含一列信息,还是还有其他信息(仅密码)? 你的文件有多大?
如果不大,你可以这样做:
with open(self.breach_file, 'r', encoding='utf-8') as breach_file:
passwords= breach_file.readlines()
pd.DataFrame({'passwords': passwords})
如果它更大,您可以逐行读取并将每一行一次添加到数据帧中(但这可能会很慢)。您还可以尝试使用 read_fwf 函数,该函数需要固定宽度的文件,因此不会查找字段分隔符。显然它不要求文件包含相同长度的行。它看起来像:
pd.read_fwf('fake_fixed.txt', widths= [100])
您只需确保使用的宽度至少与最长密码一样大。
另一种可能性是使用
pd.read_csv('fake_fixed.txt', sep='\n')
因此,您确保行不会被分割(假设您的行被换行符分隔。这样您甚至可以使用自定义转换器来解析电子邮件地址(如果您确实只需要一列的信息),这可能会节省一些空间。
答案:
found_reader = pd.read_csv(breach_file, names=['Email'], dtype={'Email':str}, delimiter='\n', quoting=csv.QUOTE_NONE, engine='c')
分隔符或 Sep 都可以。