Python:re.sub 没有改变任何东西

Question

我有以下代码:

def gettextbyxpath(tree, xpath):
    node = tree.xpath(xpath)[0]
    try:
        text = etree.tostring(node, method="text", encoding='UTF-8').strip()
        text = re.sub(' +',' ', text)
        text = re.sub('\n+','\n', text)
        text = re.sub('\n \n','\n', text)
    except:
        text = 'ERROR'
    return text

在最后一行中，我尝试删除只有一个空格的行。实际数据中这样的数量相当多。

当我将上面的代码作为独立测试运行时，它工作正常，但在实际代码中，最后一行根本不执行任何操作!我尝试比较使用和不使用它生成的文件 - 没有差异。

输入示例:

        Brand：

   777,Royal Lion



    Main Products:

           battery, 777, carbon zinc, paper jacket,

我正在尝试消除行之间的垂直空白。

对于为什么我的代码会出现这样的行为有什么想法吗？

Answer 1

至于为什么您的代码会按照您所描述的方式运行:您从第二次调用 re.sub 中获得的 text 值不包含您所要的模式尝试在上次调用 re.sub 中替换:

>>> text = re.sub('\n+', '\n', text) # 2nd call to re.sub
>>> text
>>> 'Brand：\n 777,Royal Lion\n Main Products:\n battery, 777, carbon zinc, paper jacket,'

因此，您需要从上次调用 re.sub 的模式中删除第二个 \n:

text = re.sub('\n ','\n', text)

这将产生:

Brand：
777,Royal Lion
Main Products:
battery, 777, carbon zinc, paper jacket,

---

替代解决方案

def gettextbyxpath(tree, xpath):
    node = tree.xpath(xpath)[0]
    try:
        text = etree.tostring(node, method="text", encoding='UTF-8').strip()
        text = '\n'.join(line.strip() for line in text.split('\n') if line.strip())
    except:
        text = 'ERROR'
    return text

输出

Brand：
777,Royal Lion
Main Products:
battery, 777, carbon zinc, paper jacket,

此方法的不同之处在于，我们不是使用 re.sub 进行连续替换，而是将 etree.tostring 的输出拆分为 \n。然后，我们过滤结果以排除在调用 .strip() 时减少为空字符串的所有行。这使得我们只剩下具有实际内容的行，并且从左侧和右侧删除了所有空白。为了获得最终结果，我们用一个换行符 (\n) 连接各行。