Question

我最近收到了大量要分析的电子邮件。副本被转换为txt和html文件并提取到相同的子目录中。然后，数据按字段代码排序，并使用各种cmd /批处理脚本输入到电子表格中。之后，有必要确定造成问题的每个附件的文件名。

findstr能够使用以下命令成功识别每个附件的路径，电子邮件和文件名，并将其保存到输出日志中：

findstr /s Attachments: *.* >>Find_Attachments_Files2.txt

不幸的是，findstr只会在“附件：”之后找到第一个文件名，仅此而已。我需要找到并记录，“附件：”和第二个标记之间的路径，文件和每个文本块，在这种情况下，是一系列破折号（“----” ），除此之外没什么。

短信类似于下面显示的格式，不限于任何固定值/行＃：

Attachments: Purely Practical.pdf  
Daily Revenue.xls  
Advertising_Ideas.doc

来自：“Mouse，Mickey”Mickey.Mouse@mouseclick.com

在marker1和marker2之间捕获文本块的能力非常重要，并且解决这个特定问题是一个更广泛的问题，应该相应地构建。尽管搜索和替换功能具有重要价值，但搜索和报告功能可能是最重要的。

是什么让这如此不完美和困难？有什么建议或可靠的解决方案吗？

Answer 1

我不确定这是否有效，这只是一个理论，但我认为值得一试。

我认为在执行完成后，findstr命令可能会发出错误级别。如果errorlevel在找到字符串时不同。如果没有找到字符串，则会出现不同的错误级别。

如果这确实有效，那么你可以做类似于while循环的事情，例如

:A  
findstr :: And then the full command  
if errorlevel == 1 goto A :: If the string has been found  
goto B :: The rest of your code

这只是理论上的

要保存输出，您应该可以执行类似这样的命令＆gt;＆gt; log.txt ::这会将命令的输出保存到名为log的文本文件中。

Answer 2

我对此的看法，从高到低......

为什么这不完美和困难？因为尽管你已经足够努力改进这个问题，但它仍然有很多不确定的问题，但它已经相当复杂了。幸运的是，其他人也同样探索了文本文件，并开发了整个编程语言来处理它。但即使你已经彻底了解了其中的一些，你仍然会被咬伤，因为按照你的规范行事的计算机是令人费解的愚蠢。快，但很愚蠢。

使用开箱即用的东西，比如findstr，egrep ......来处理这个特殊的问题对我来说几乎是不可能的。像Python这样的编程语言是一种更可行和面向未来的匹配。

那么编程任务有两个部分：

走一个目录树来访问每个文件
查找每个文件的内容

对于后者，正则表达式确实看起来像一个可行的机制，但第一个问题是，你能负担得起吗？显然，我们需要多行处理，每当我看到它完成时，它就会立即存在于整个文件中。你能负担得起将整个文件读入内存吗？你能负担得起从磁盘上读取整个文件 - 也许标题位于文件的顶部并且读取整个文件是浪费的吗？我假设没有问题。

使用单个正则表达式直接从文件中提取单个附件名称似乎非常复杂（甚至in a language that supports repeating captures）。所以我会让正则表达式首先找到列表，然后将其拆分。甚至没有考虑你的.txt文件是什么意思，并且有太少的测试用例被隐藏起来，这让我们：

import os
import re

searcher = re.compile(r"^Attachments: (.+?)^---+$", flags=re.MULTILINE+re.DOTALL)

def visitFile(filepath, out):
    with open(filepath) as f:
        match = searcher.search(f.read())
        if match:
            for name in match.group(1).split('\n')[:-1]:
                out.write("%s\t%s\n" % (filepath, name))

def visitFolder(topdirpath, out):
    for dirpath, subdirnames, filenames in os.walk(topdirpath):
        subdirnames.sort() # if needed
        filenames.sort() # if needed
        for filename in filenames:
            visitFile(os.path.join(dirpath, filename), out)

if __name__ == "main":
    visitFolder(sys.argv[1], sys.out)

import io
import tempfile
import unittest

class FolderBasedTestCase(unittest.TestCase):
    def setUp(self):
        self.tempdir = tempfile.TemporaryDirectory(prefix="test_dir_")
        self.out = io.StringIO()
    def tearDown(self):
        self.tempdir.cleanup()
        self.out.close()
    def walkthewalk(self):
        visitFolder(self.tempdir.name, self.out)

class EmptyFolderTestCase(FolderBasedTestCase):
    def runTest(self):
        self.walkthewalk()
        self.assertEqual(self.out.getvalue(), "")

class FriendTestCase(FolderBasedTestCase):
    def setUp(self):
        super().setUp()
        with open(os.path.join(self.tempdir.name, "friend"), "w") as f:
            f.write("Some: Stuff\n" +
                    "Attachments: Purely Practical.pdf\n" +
                    "Daily Revenue.xls\n" +  
                    "Advertising_Ideas.doc\n" +
                    "-------------\n" +
                    'From: "Mouse, Mickey" Mickey.Mouse@mouseclick.com\n')
    def runTest(self):
        self.walkthewalk()
        self.assertEqual(self.out.getvalue().replace(self.tempdir.name + os.sep, "{p}"), 
            "{p}friend\tPurely Practical.pdf\n" +
            "{p}friend\tDaily Revenue.xls\n" +
            "{p}friend\tAdvertising_Ideas.doc\n")

class FooTestCase(FolderBasedTestCase):
    def setUp(self):
        super().setUp()
        with open(os.path.join(self.tempdir.name, "foo"), "w") as f:
            f.write("From: your worst enemy\n" +
                    "\n" +
                    "Mail body here. This week's topics:\n" +
                    "Attachments: are't they a pain?\n" +
                    "Pain: don't we get attached to it?\n" +
                    "\n")
    def runTest(self):
        self.walkthewalk()
        self.assertEqual(self.out.getvalue(),  "")

请注意正则表达式（希望）与文件的换行风格无关，但是，就目前而言，split()需要右行分隔符。

我怀疑单独编译和存储正则表达式有任何人都会注意到的性能优势，但我认为对于这么少的代码，它实际上使事情更具可读性。

要运行单元测试，特别是如果将代码和测试用例存储在单个文件scriptname.py中，请执行`python -m unittest scriptname＆＃39;。

用于在单词A和单词B之间查找文本字符串的脚本findtr，Regex或替代

2 个答案: