利用Python简单处理文本

目录

• 字符串切割
  • 样本
  • 文本处理代码
• replace()
• re.sub---substitute，进行相对复杂的字符串替换
• strip()

 

---

写博客的时候，经常碰到带有一些多余字符的引用文章，今天我就来介绍几种简单的文本处理方法#

回到顶部

字符串切割#

例如，我想将下面代码中，每行的开头处理一下，可以使用字符串的切分

样本#

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

1 from selenium import webdriver  2 from selenium.webdriver import ActionChains  3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR  4 from selenium.webdriver.common.keys import Keys #键盘按键操作  5 from selenium.webdriver.support import expected_conditions as EC  6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素  7 import time  8  9 10 def get_goods(driver): 11     try: 12         goods=driver.find_elements_by_class_name('gl-item') 13 14         for good in goods: 15             detail_url=good.find_element_by_tag_name('a').get_attribute('href') 16 17             p_name=good.find_element_by_css_selector('.p-name em').text.replace('\n','') 18             price=good.find_element_by_css_selector('.p-price i').text 19             p_commit=good.find_element_by_css_selector('.p-commit a').text 20 21             msg = ''' 22             商品 : %s 23             链接 : %s 24             价钱 ：%s 25             评论 ：%s 26             ''' % (p_name,detail_url,price,p_commit) 27 28             print(msg,end='\n\n') 29 30 31         button=driver.find_element_by_partial_link_text('下一页') 32         button.click() 33         time.sleep(1) 34         get_goods(driver) 35     except Exception: 36         pass 37 38 def spider(url,keyword): 39     driver = webdriver.Chrome() 40     driver.get(url) 41     driver.implicitly_wait(3)  # 使用隐式等待 42     try: 43         input_tag=driver.find_element_by_id('key') 44         input_tag.send_keys(keyword) 45         input_tag.send_keys(Keys.ENTER) 46         get_goods(driver) 47     finally: 48         driver.close() 49 50 51 if __name__ == '__main__': 52     spider('https://www.jd.com/',keyword='iPhone8手机')

文本处理代码#

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

file = open("111.txt", "r",encoding='utf-8')  # 以只读模式读取文件 lines = [] for i in file:     lines.append(i)  # 逐行将文本存入列表lines中 file.close()   new = [] for line in lines:  # 逐行遍历     new_line=line[3:] #字符串切割     # line.replace('\s*\d+\s+?','')     new.append(new_line)   # 以写的方式打开文件，如果文件不存在，就会自动创建，如果存在就会覆盖原文件 file_write_obj = open("222.txt", 'w',encoding='utf-8') for var in new:     file_write_obj.writelines(var)     # file_write_obj.writelines('\n') file_write_obj.close()

回到顶部

replace()#

对象.replace(rgExp, replaceText, max)

• rgExp，replaceText是必须要有的，max是可选的参数，可以不加
• 在对象的每个rgExp都替换成replaceText，从左到右最多max次

比如：

1.  
   class Solution:
2.  
   def replace_space(self, s):
3.  
   if not s:
4.  
   return False
5.  
   # 对象.replace(rgExp,replaceText,max)
6.  
   ss = s.replace(' ', '20%')
7.  
   return ss
8.  
   if __name__ == '__main__':
9.  
   strings = 'We Are Happy'
10.  
    s = Solution()
11.  
    print s.replace_space(strings)
12.  
    >>> We20%Are20%Happy

回到顶部

re.sub---substitute，进行相对复杂的字符串替换#

要用sub()，记住要import re哦！

re.sub(pattern,repl,string,count,flags)

• 三个必选参数：pattern,repl,string，两个可选参数：count,flags

1. pattern：  正则表达式中的模式字符串；
2. repl：       原来字符串中要换的东西，比如上面例子中的20%（既可以是字符串，也可以是函数）；
3. string：    要被处理的，要被替换的字符串，比如上面例子中的strings，即：'We Are Happy'；
4. count：    匹配的次数，最多的次数
5. flages：   标志位，用于控制正则表达式的匹配方式，如是否区分大小写，多行匹配等等

比如：

1.  
   import re
2.  
   class Solution:
3.  
   def replace_space(self, s):
4.  
   if not s:
5.  
   return False
6.  
   pattern = re.compile(r' ')
7.  
   # re.sub(pattern,repl,string,count,flags)
8.  
   return re.sub(pattern, r'20%', s)
9.  
   if __name__ == '__main__':
10.  
    strings = 'We Are Happy'
11.  
    s = Solution()
12.  
    print s.replace_space(strings)

回到顶部

strip()#

strip()并不是一个真正意义上的替换函数，它是用来删除一些字符的，所以我们可以把这看作是把字符串中的一些字符替换成空（不是空格，是空）

1. 开头和结尾的空格都被去掉了,并不能删除字符串中间的空格(注意字符串首位是否会有空格)
2. lstrip()和rstrip(),分别是用来删除开头的“其他字符”的