使用python对txt格式的小说进行处理

vim的确是神器，可惜sed与vim不完全通用。这篇文章受《 用vim对txt格式的小说重新排版》的启发，在此致谢！

 

经常下载txt的电子书，格式却不合心意，只好自己再处理。首要的就是处理段内换行。

 

原来的打算是定制一个vim模式，到时候处理小说时进入该模式，再使用各种快捷键。以此避免txt快捷键对日常编程的干扰。后来发现，vim不像emacs，可以定制自己的模式。（可能可以定制专用的vimrc解决，未经尝试）

 

于是转向脚本寻求解决办法。sed与awk是此中翘楚，首先试试。可惜早些日子学的sed已经忘的差不多了，找不到比较简洁清晰的解决办法。sed与grep类似，先读入一行，删除\n，进行各种处理，最后写入文件，再添上\n。 N可以读入下一行到当前模式匹配空间再行处理。但是我需要对整个文件进行匹配，暂时未找到解决办法。

 

只好再次转投python。Python有自己的re模块，应该没问题。re.sub可以进行替换。费了些时间的，是对中文的匹配。在vim中，可以用[^\x00-\xff]匹配双字节字符，然而python中却行不通。经过一番google，发现可以用[\x80-\xff]匹配汉字（perl同此，似乎两者对中文的正则支持还是有待改进）。

 

至此，问题初步解决：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#!/usr/bin/env python #encoding=utf-8 import re from sys import argv     if __name__ == '__main__':     if len(argv) != 2:         print 'usage: filename'     else:         fh = open(argv[1], 'r')         content = fh.read()         out = re.sub('\n([\x80-\xff])', r'\1', content)         print out

规范行首：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#!/usr/bin/env python #encoding=utf-8 import re from sys import argv     if __name__ == '__main__':     if len(argv) != 2:         print 'usage: filename'     else:         fh = open(argv[1], 'r')         content = fh.read()         out = re.sub(' +([\x80-\xff])', r'     \1', content)         print out

当然，下载来的文档通常是GB2312，需要自己转换为utf8再行处理，可以参考我的《python 中文编码笔记》

 

在win下，有个优秀的文本处理工具可以利用，叫cnbook。在百度的fmddlmyy贴吧可以下载到最新版本。