Question

我正在尝试从.txt文件中删除遵循模式的字符，但我的正则表达式搜索未返回任何字符。文本文件中的字符与命令提示符中打印出的字符不同。我对此并不陌生，只了解有关编码和解码的常识。

我相信txt文件是使用ANSI（Windows-1252）编码的，并且我使用的是python3。我尝试使用几种正则表达式模式进行搜索。在RegExr中进行测试时，每个正则表达式都可以正常工作，因此我认为不是问题所在。

txt文件是bulk_extractor输出文件，看起来像这样：

# BANNER FILE NOT PROVIDED (-b option)
# BULK_EXTRACTOR-Version: 1.5.5 ($Rev: 10844 $)
# Feature-Recorder: email
# Filename: W:\Migration\2010013\Working
# Feature-File-Version: 1.1
W:\Migration
2010013\Working/Succession planning/Succession Plan Article
W:\Migration\2010013\Working/Succession planning/Succession Plan Article▯-39612 j26@yahoo.com   397-1911 or</I> j26@yahoo.com</P> <P>\x0A<TABLE 
W:\Migration
2010013\Working/Succession planning/Succession Plan Article
W:\Migration\2010013\Working/Succession planning/Succession Plan Article▯-45963 jaime.brown@gmail.com   <a href="mailto:jaime.brown@gmail.com?subject=Ask The

首先要清除一些问题：我知道文件夹名称不是最好的，但是我是档案管理员，因此无论是否出现目录和文件，我们都必须使用它们。另外，列出的电子邮件只是一个示例，而不是任何人的实际电子邮件。

通过这种方式，我试图从文件路径的末尾剥离'Article▯-#####'。

在命令提示符中打印时，▯更改为ô?? o，因此现在显示为“ô?? o-#####”。因此，正则表达式中的'ô?? o'。我的代码如下：

with open("email.txt", 'r', encoding = 'cp1252') as file:
    all_lines = file.readlines()
    no_header = all_lines[5:]
print (no_header) #for testing

pattern = re.compile('/(ô[?]{2}o[-][0-9]*)')
for i in range(len(no_header)):
    test = re.search(pattern, no_header[i])
    print (test)

由于正则表达式在RegExr中工作，所以我希望为每行返回一个与模式匹配的字符串。相反，搜索不会为每一行返回任何内容。我也尝试过使用其Unicode ID U + 25AF搜索矩形字符。那也不起作用。

似乎翻译中有些东西丢失了。我曾经使用过Python 2.7，所以我猜想这里缺少有关编码/解码的内容。

感谢您的帮助！我们这样做是为了使我们的元数据写入过程自动化，并保护个人的私人电子邮件地址。

Answer 1

警告，您有一个/，它是Ruby中的正则表达式分隔符，而在Python中不是。

此外，您可以简单地使用\S+来匹配任何non-whitespace character：

\ S 匹配任何非空白字符；相当于类[^ \ t \ n \ r \ f \ v]。

这是一个例子：

email = """# BANNER FILE NOT PROVIDED (-b option)
# BULK_EXTRACTOR-Version: 1.5.5 ($Rev: 10844 $)
# Feature-Recorder: email
# Filename: W:\Migration\2010013\Working
# Feature-File-Version: 1.1
W:\Migration
2010013\Working/Succession planning/Succession Plan Article
W:\Migration\2010013\Working/Succession planning/Succession Plan Article▯-39612 j26@yahoo.com   397-1911 or</I> j26@yahoo.com</P> <P>\x0A<TABLE 
W:\Migration
2010013\Working/Succession planning/Succession Plan Article
W:\Migration\2010013\Working/Succession planning/Succession Plan Article▯-45963 jaime.brown@gmail.com   <a href="mailto:jaime.brown@gmail.com?subject=Ask The"""

import re
print(re.findall('Article\S+', email))
# ['Article▯-39612', 'Article▯-45963']
print(re.findall('Article\S\-\d+', email))
# ['Article▯-39612', 'Article▯-45963']

我失败的重新搜索是否存在编码问题？

1 个答案: