Question

我有一个来自Windows提供商的700MB XML文件。

正如人们所料，行结尾是'\ r \ n'（或vi中的^ M）。除了让供应商发送'\ n'之外，处理这种情况的最有效方法是什么： - ）

我对任何需要Python 2.6+的东西持开放态度，但它需要在最低外部要求的情况下使用Snow Leopard和Ubuntu 9.10。我不介意小的性能损失，但我正在寻找标准的最佳方法来解决这个问题。

---- ----编辑

行结尾位于标记描述符的中间，否则它们不会是这样的问题。我知道这是一个糟糕的形式，他们不应该发送给我，但这就是我有文件的方式，供应商大多是无能的。

Answer 1

为什么DOS行结束有问题？大多数事情都可以很好地处理它们，包括XML解析器。如果您真的想摆脱它们，请在universal line-endings模式下打开文件：

open(filename, 'rU')

Python会将所有行结尾转换为UNIX行尾。如果你真的不能使用它（我觉得有点令人惊讶），那么就没有办法让Python为你做这项工作。不过，你必须打开文件，所以你对＃2的反对似乎有些奇怪。

Answer 2

您是以文本模式还是二进制模式打开文件？我很确定我在Leopard安装上依靠通用新行，但也许我从某个地方获得了更新的Python ......

无论如何 - 我已经看到这种事情咬住了许多程序员，因为他们只是为了'b'键。如果您打开已知在平台上创建的文本文件，请使用't'，如果您需要通用换行符，请使用'U'而不是't'。

with file(filename, 'rt') as f:
   content = f.read()

编辑：评论指出'rt'是默认值。公平的说法，但是Python风格往往更倾向于明确而非隐含，所以我就是这样。

Answer 3

据说：“”“这个家伙正好在标签描述符的中间，如：<ParentRedirec tSequenceID>”“”。

我在这里看不到\r\n。也许你的意思是repr（xml）包含像

这样的东西

"<ParentRedirec\r\ntSequenceID>"

如果没有，请尝试使用repr-fashion 示例来说明正好你的意思。

以下内容应该有效：

>>> import re
>>> guff = """<atag>\r\n<bt\r\nag c="2">"""
>>> re.sub(r"(<[^>]*)\r\n([^>]*>)", r"\1\2", guff)
'<atag>\r\n<btag c="2">'
>>>

如果标签中有多个换行符，例如<foo\r\nbar\r\nzot>这只会修复第一个问题。替代品（1）循环直到guff停止收缩（2）自己写一个更聪明的正则表达式： - ）

Answer 4

你想用这个文件做什么？ XML中通常会忽略标记之间的空格，因此唯一的行结尾对标记的内容很重要。