从pycharm中的重组文本文件中删除面包屑

Question

我有大约 13,000 个文件需要从中删除面包屑。每个文件开头的模式大致如下：

Title
=====

| |image0| `link <link1.html>`__ |image1| ::
  `link2 <link2.html>`__ ::
  `link3 <link3.html>`__
| **Introduced** : VersionXXX

然而，在某些文件中，标题行和最后一行之间的部分是 2 或 4，具体取决于树的深度。无论标题行和此处显示的最后一行之间的行如何，我都希望将中间部分完全删除。我不太清楚如何做到这一点，希望能得到一些帮助。我正在使用 pycharm，他们有一个正则表达式工具（我还没有成功），但我同样很高兴使用 sed 或 python 等替代方法来遍历文件。

预期结果：

Title
=====

| **Introduced** : VersionXXX

感谢所有出色的解决方案。 最终解决方案以避免写入单独的文件：

import os

src_dir = '/PycharmProjects/docs/testfiles'
logf = open('failed_file_log.txt', 'w')

for filename in os.listdir(src_dir):
    print(filename)

    with open('{}/{}'.format(src_dir, filename), 'r') as f:
        lines = f.readlines()
    with open('{}/{}'.format(src_dir, filename), 'w') as f:
        try:
            for i in range(3):
                f.write(lines[i])
            copy = False
            for line in lines:
                if copy:
                    f.write(line)
                elif line.startswith('| **Introduced**'):
                    copy = True
                    f.write(line)
        except Exception as e:
            logf.write('Failed to rewrite {}'.format(filename))
        finally:
            pass

Answer 1

sed 有它的用途，但它需要疯狂的技能才能根据需要进行多行处理。这是经过验证的真正 *nix 文本处理语言的替代方案，awk ;-)

**cleanup.awk**
#!/bin/awk -f
{
  # print "dbg:$0="$0
}
/^$/{
  print $0
  inside_unneeded=1;
}
{
  if ($0 ~ /^\| \*\*Introduced\*\*/) {
    print $0
    inside_unneeded=0
  }
  else if (! inside_unneeded) {
    print $0
  }

你需要

chmod 755 cleanup.awk

然后运行它

cleanup.awk file > file.new && /bin/rm file

如果您有能力保留备份（推荐），请使用&& mv file file.sav && mv file.new file。或者您可以重定向到不同的目录，然后不必处理任何&& 处理，即。 cleanup.awk file > /alt/path/for/new/data/file。

将产生输出

Title
=====

| **Introduced** : VersionXXX

可能有一种方法可以使用awk 速记逻辑来显着减小此脚本的大小，但我将其置于熟悉if/else if/else 类型逻辑的普通公众可辨认的状态。

所有块（{ ... }. 之间的代码。为每一行输入执行，而以/^$/ 开头的块仅针对空行处理。如果这些空行上有空格，则需要@改为 987654334@（不要输入 <tab>，从键盘插入一个普通的 tab 字符）。

IHTH。

Answer 2

由于您正在寻找大多数固定模式，我会使用没有正则表达式的 Python 来复制文件。这个过程很简单：复制前三行，然后跳过所有内容，直到到达| **Introduced**，然后将其余部分复制过来。

with open('myfile.rst') as fin, open('myfile_out.rst') as fout:
    for _ in range(3):
        fout.write(next(fin))
    copy = False
    for line in fin:
        if copy:
            fout.write(line)
        elif line.startswith('| **Introduced**'):
            copy = True
            fout.write(line)

将此 sn-p 应用于文件层次结构并将输出移回输入名称留作读者练习。

Answer 3

您可以使用 2 个捕获组并通过使用重复模式来匹配中间的内容，该模式检查每行是否不以模式开头作为最后一行，使用负前瞻(?!

然后在替换中使用这两个组，在 python 中使用re.sub，替换将是r'\1\2'。

(\bTitle\n=+\n)(?:\n(?!\| \*\*).*)*(\n\| \*\*Introduced\*\* : Version.*)

说明

• (\bTitle\n=+\n) 捕获组 1，匹配 Title，换行，1+ 次 + 和换行
• (?:非捕获组
  • \n(?!\| \*\*).* 匹配换行符并断言右边的内容不是 | ** 使用负前瞻。然后匹配除换行符以外的任何字符 0+ 次
• )*关闭非捕获组并重复0+次
• (\n\| \*\*Introduced\*\* : Version.*)捕获组2，匹配换行符和匹配最后一行的模式

Regex demo

Answer 4

由于sed 被 OP 在问题中标记，以下是获得所需结果的两个单行：

sed -n  '/Title/{N;N;p}; /Introduced/{p}' input
Title
=====

| **Introduced** : VersionXXX

或者

awk：

awk '/Title/{print;getline;print;getline;print}/Introduced/{print}' input
Title
=====

| **Introduced** : VersionXXX

Answer 5

这个表达式使用了三个捕获组，我们不需要的部分在第二个，我们可以简单地替换它（$1$3）。

(.+\s*=====\s*)([\s\S]*)(\|\s+\*\*Introduced\*\* : .+)

Demo

测试

# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility

import re

regex = r"(.+\s*=====\s*)([\s\S]*)(\|\s+\*\*Introduced\*\* : .+)"

test_str = ("Title\n"
    "=====\n\n"
    "| |image0| `link <link1.html>`__ |image1| ::\n"
    "  `link2 <link2.html>`__ ::\n"
    "  `link3 <link3.html>`__\n"
    "| **Introduced** : VersionXXX")

subst = "\\1\\3"

# You can manually specify the number of replacements by changing the 4th argument
result = re.sub(regex, subst, test_str, 0, re.MULTILINE)

if result:
    print (result)

# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.