Question

我有一个2GB的.txt文件，其中有超过6000万行应该是MD5哈希值。由于“算术错误”，我一直在将其导入某个软件时遇到问题。之前，我删除了任何不包含32个字符的行（表示MD5哈希长度）。尽管如此，这个问题仍然存在。

手动查看文档后，某些行确实不包含有效的哈希值。因此，我希望阅读每一行，如果它包含的值不是0-9和A-F之间的值，我会删除该行。

我预计Regex可能是必需的，但不确定。

我刚刚提到了如何实现此字符串验证的一些指示？如上所述，每行只应包含0-9和A-F（十六烷基）之间的字符。

提前致谢

Answer 1

import re
import sys
import fileinput


md5_checker = re.compile("^[a-fA-F0-9]{32}$")

for line in fileinput.input():
    if md5_checker.match(line):
        sys.stdout.write(line)
    else:
        sys.stderr.write("INVALID: %s" % line)

用法：

$ cat testfile.txt 
0cc175b9c0f1b6a831c399e269772661
92eb5ffee6ae2fec3ad71c777531578f
asdf
0cc175b9c0f1b6a831c399e269772661
92eb5ffee6ae2fec3ad71c777531578f

$ python ~/Desktop/md5_checker.py testfile.txt > cleaned.txt
INVALID: asdf

$ cat cleaned.txt 
0cc175b9c0f1b6a831c399e269772661
92eb5ffee6ae2fec3ad71c777531578f
0cc175b9c0f1b6a831c399e269772661
92eb5ffee6ae2fec3ad71c777531578f

警告：不要读取和写入同一个文件（md5_checker testfile.txt > testfile.txt会擦除文件！）

Answer 2

可能的正则表达式，当然也可能与其他东西相匹配。但是，它仅检查字符A-F和数字0-9。

r'^[A-F\d]+$'

您可以轻松添加{32}以检查长度，但是您说您已经清除了任何非32长度的线，这没关系（对于新的正则表达式的人来说，只是模糊不清不必要的事情）。作为参考，它将如下所示：

r'^[A-F\d]{32}+$'

您只需逐行读取文件，并在正则表达式上进行匹配。如果是匹配项，请将其添加到输出文件中。

有关Python re模块的更多信息，请查看http://docs.python.org/library/re.html

Answer 3

将re.match与正确的正则表达式一起使用。

import re

r = re.compile(r'^[a-fA-F0-9]{32}$')

with open("hashes") as i, open("hashes_cleaned", "w") as o:
    for line in i:
        # Cheap check for 32 chars, first.
        if len(line.strip()) == 32 and r.match(line.strip()):
            o.write(line)

示例

输入：

% cat hashes c2cf0d7b2d3c5cd91a1314a2285ce53e 12524f7af3a5dad467264683d0ec6206 746518a1c63294d367c23cab37f4166c foo 4d6deee14efe78180c698679e16f7342 xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx eb9a25b6b525ae665115b43a259d2355

输出：

% cat hashes_cleaned c2cf0d7b2d3c5cd91a1314a2285ce53e 12524f7af3a5dad467264683d0ec6206 746518a1c63294d367c23cab37f4166c 4d6deee14efe78180c698679e16f7342 eb9a25b6b525ae665115b43a259d2355

Answer 4

您可以使用re来解析该行。
试试这段代码：

import re
match = re.match('[0-9A-F]{32}', line)
if match:
    #valid line
else:
    #invalid line

Answer 5

不使用正则表达式的另一种可能的解决方案

import string
#create a set of all possible hex digits.
#in case you want only upper case hex letters, 
#convert to upper
hexchars = set(string.hexdigits.upper())
#iterate through your file
for line in somefile:
    #See if there is any chars apart from the hex char set
    if set(line) - set(hexchars):
        print "Some Invalid Message"
    else:
        #Do something useful

Answer 6

grep '[A-Fa-f\d]{32}' filename.txt >newfilename.txt if you have access to terminal.

python - 如果无效字符，删除行

6 个答案: