我是 Python 新手。我第二次在里面编码。该脚本的要点是获取包含数千行文件名的文本文件(sNotUsed 文件)并将其与大约 50 个 XML 文件进行匹配。每个 XML 文件可能包含多达数千行，并且格式与大多数 XML 一样。到目前为止，我不确定代码的问题是什么。代码不完整，因为我没有添加将输出写回 XML 文件的部分，但当前的最后一行应该至少打印一次。但事实并非如此。

两种文件格式的例子如下:

文本文件:

fileNameWithoutExtension1
fileNameWithoutExtension2
fileNameWithoutExtension3
etc.

XML 文件:

<blocks> 

<more stuff="name"> 
     <Tag2> 
        <Tag3 name="Tag3">
                 <!--COMMENT-->
                 <fileType>../../dir/fileNameWithoutExtension1</fileType>
                 <fileType>../../dir/fileNameWithoutExtension4</fileType>
</blocks>

到目前为止我的代码:

import os
import re

sNotUsed=list()
sFile = open("C:\Users\xxx\Desktop\sNotUsed.txt", "r") # open snotused txt file
for lines in sFile:
    sNotUsed.append(lines)
#sNotUsed = sFile.readlines() # read all lines and assign to list
sFile.close() # close file

xmlFiles=list() # list of xmlFiles in directory
usedS=list() # list of S files that do not match against sFile txt

search = "\w/([\w\-]+)"

# getting the list of xmlFiles
filelist=os.listdir('C:\Users\xxx\Desktop\dir')
for files in filelist:
    if files.endswith('.xml'):
        xmlFile = open(files, "r+") # open first file with read + write access
        xmlComp = xmlFile.readlines() # read lines and assign to list
        for lines in xmlComp: # iterate by line in list of lines
            temp = re.findall(search, lines)
            #print temp
            if temp:
                if temp[0] in sNotUsed:
                    print "yes" # debugging. I know there is at least one match for sure, but this is not being printed.

帮助清理问题: 对不起，我想我的问题不是很清楚。我希望脚本逐行检查每个 XML，并查看该行的 FILENAME 部分是否与 sNotUsed.txt 文件的确切行匹配。如果有匹配项，那么我想将其从 XML 中删除。如果该行与 sNotUsed.txt 中的任何行都不匹配，那么我希望它成为新修改的 XML 文件输出的一部分(它将覆盖旧文件)。如果仍然不清楚，请告诉我。

已编辑，工作代码

import os
import re
import codecs

sFile = open("C:\Users\xxx\Desktop\sNotUsed.txt", "r") # open sNotUsed txt file
sNotUsed=sFile.readlines() # read all lines and assign to list
sFile.close() # close file

search = re.compile(r"\w/([\w\-]+)")

sNotUsed=[x.strip().replace(',','') for x in sNotUsed]
directory=r'C:\Users\xxx\Desktop\dir'
filelist=os.listdir(directory) # getting the list of xmlFiles
# for each file in the list
for files in filelist:
    if files.endswith('.xml'): # make sure it is an XML file
        xmlFile = codecs.open(os.path.join(directory, files), "r", encoding="UTF-8") # open first file with read
        xmlComp = xmlFile.readlines() # read lines and assign to list
        print xmlComp
        xmlFile.close() # closing the file since the lines have already been read and assigned to a variable
        xmlEdit = codecs.open(os.path.join(directory, files), "w", encoding="UTF-8") # opening the same file again and overwriting all existing lines
        for lines in xmlComp: # iterate by line in list of lines
            #headerInd = re.search(search, lines) # used to get the headers, comments, and ending blocks
            temp = re.findall(search, lines) # finds all strings that match the regular expression compiled above and makes a list for each
            if temp: # if the list is not empty
                if temp[0] not in sNotUsed: # if the first (and only) value in each list is not in the sNotUsed list
                    xmlEdit.write(lines) # write it in the file
            else: # if the list is empty
                xmlEdit.write(lines) # write it (used to preserve the beginning and ending blocks of the XML, as well as comments)

最佳答案

有很多话要说，但我会尽量保持简洁。

PEP8:Python 代码风格指南

对于局部变量，您应该使用带下划线的小写字母。 看看 PEP8:Python 代码风格指南。

文件对象和with语句

使用with 语句打开文件，参见:文件对象:http://docs.python.org/2/library/stdtypes.html#bltin-file-objects

转义 Windows 文件名

Windows 文件名中的反斜杠会导致 Python 程序出现问题。您必须使用双反斜杠转义字符串或使用原始字符串。

例如:如果您的 Windows 文件名为 "dir\\notUsed.txt"，您应该像这样转义它:"dir\\notUsed.txt" 或使用原始字符串 r"dir\notUsed.txt"。如果您不这样做，"\n" 将被解释为换行符!

注意:如果您需要支持 Unicode 文件名，您可以使用 Unicode 原始字符串:ur"dir\notUsed.txt"。

另请参阅 StockOverFlow 中的问题 19065115。

将文件名存储在集合中:这是一个没有重复的优化集合

not_used_path = ur"dir\sNotUsed.txt"
with open(not_used_path) as not_used_file:
    not_used_set = set([line.strip() for line in not_used_file])

编译你的正则表达式

多次使用时编译正则表达式效率更高。同样，您应该使用原始字符串以避免反斜杠解释。

pattern = re.compile(r"\w/([\w\-]+)")

警告 os.listdir() 函数返回文件名列表而不是完整路径列表。请参阅 Python 文档中的此函数。

在您的示例中，您使用 os.listdir() 读取桌面目录 'C:\Users\xxx\Desktop\dir'。然后您想用 open(files, "r+") 打开此目录中的每个 XML 文件。但这是错误的，除非您当前的工作目录不是您的桌面目录。经典用法是像这样使用 os.path.join() 函数:

desktop_dir = r'C:\Users\xxx\Desktop\dir'
for filename in os.listdir(desktop_dir):
    desktop_path = os.path.join(desktop_dir, filename)

如果要提取文件名的扩展名，可以使用os.path.splitext() 函数。

desktop_dir = r'C:\Users\xxx\Desktop\dir'
for filename in os.listdir(desktop_dir):
    if os.path.splitext(filename)[1].lower() != '.xml':
        continue
    desktop_path = os.path.join(desktop_dir, filename)

你可以用一个理解列表来简化这个:

desktop_dir = r'C:\Users\xxx\Desktop\dir'
xml_list = [os.path.join(desktop_dir, filename)
            for filename in os.listdir(desktop_dir)
            if os.path.splitext(filename)[1].lower() == '.xml']

解析 XML 文件

如何解析一个XML文件？这是一个很好的问题! 有几种可能: - 使用正则表达式，高效但危险； - 使用 SAX 解析器，也很高效但令人困惑且难以维护； - 使用 DOM 解析器，效率较低但更清晰... 考虑使用 lxml 包(@see:http://lxml.de/)

这很危险，因为您读取文件的方式并不关心 XML 编码。这很糟糕!确实很糟糕! XML 文件通常以 UTF-8 编码。您应该首先解码 UTF-8 字节流。一种简单的方法是使用 codecs.open() 打开编码文件。

for xml_path in xml_list:
    with codecs.open(xml_path, "r", encoding="UTF-8") as xml_file:
        content = xml_file.read()

使用此解决方案，完整的 XML 内容作为 Unicode 字符串存储在 content 变量中。然后，您可以使用 Unicode 正则表达式来解析内容。

最后，您可以使用集合交集来查找给定的 XML 文件是否包含文本文件的通用名称。

for xml_path in xml_list:
    with codecs.open(xml_path, "r", encoding="UTF-8") as xml_file:
        content = xml_file.read()
    actual_set = set(pattern.findall(content))
    print(not_used_set & actual_set)

关于python - 将两个文件相互匹配并将输出写入文件 - Python，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/19644869/