我有一个文本文件(没有标点符号),文件大小约为100MB-1GB,以下是一些示例行:
please check in here
i have a full hd movie
see you again bye bye
press ctrl c to copy text to clipboard
i need your help
...
以及替换标记列表,如下所示:
check in -> check_in
full hd -> full_hd
bye bye -> bye_bye
ctrl c -> ctrl_c
...
在文本文件上替换后我想要的输出如下所示:
please check_in here
i have a full_hd movie
see you again bye_bye
press ctrl_c to copy text to clipboard
i need your help
...
replace_tokens = {'ctrl c': 'ctrl_c', ...} # a python dictionary
for line in open('text_file'):
for token in replace_tokens:
line = re.sub(r'\b{}\b'.format(token), replace_tokens[token])
# Save line to file
该解决方案正在工作,但对于大量替换标记和大型文本文件,速度非常慢。有更好的解决方案吗?
>
正如其他人所建议的那样,生成单个正则表达式将消除内部循环。
regex = re.compile("|".join(r"\b{}\b".format(t) for t in tokens))
< code>re2库比内置的< code>re要快得多,尤其是在有大量标记和/或大量文本的情况下。
regex = re2.compile("|".join(r"\b{}\b".format(t) for t in tokens))
根据内存量和文件的可能大小,尝试一次读取整个内容可能是值得的,而不是一行一行地读取。尤其是如果行很短,即使您实际上没有进行任何面向行的处理,处理这些行也可能会消耗大量时间。
text = f.read()
text = regex.sub(lambda m: tokens[m.group(0)], text)
进一步的改进是使用< code > find all /< code > finditer 而不是< code>sub,然后使用< code > start /< code > end 偏移量输出原始文件的各个部分,与替换部分交错;这将避免在内存中有文本的两个副本。
text = f.read()
pos = 0
for m in regex.finditer(text):
out_f.write(text[pos:m.start(0)])
out_f.write(tokens[m.group(0)])
pos = m.end(0)
out_f.write(text[pos:])
如果您的文本是换行的,您可能还需要考虑是否需要替换短语在一行中断开的实例;这可以通过“将整个文本读入内存”方法轻松完成。如果您需要这样做,但文件太大而无法读入内存,您可能需要改用面向单词的方法——一个函数读取文件并生成单个单词,另一个函数执行面向单词的有限状态机。
您至少可以通过以下方式消除内部循环的复杂性:
import re
tokens={"check in":"check_in", "full hd":"full_hd",
"bye bye":"bye_bye","ctrl c":"ctrl_c"}
regex=re.compile("|".join([r"\b{}\b".format(t) for t in tokens]))
with open(your_file) as f:
for line in f:
line=regex.sub(lambda m: tokens[m.group(0)], line.rstrip())
print(line)
打印:
please check_in here
i have a full_hd movie
see you again bye_bye
press ctrl_c to copy text to clipboard
i need your help
使用二进制文件和字符串替换,如下所示
代码
def process_binary(filename):
""" Replace strings using binary and string replace
Processing follows original code flow except using
binary files and string replace """
# Map using binary strings
replace_tokens = {b'ctrl c': b'ctrl_c', b'full hd': b'full_hd', b'bye bye': b'bye_bye', b'check in': b'check_in'}
outfile = append_id(filename, 'processed')
with open(filename, 'rb') as fi, open(outfile, 'wb') as fo:
for line in fi:
for token in replace_tokens:
line = line.replace(token, replace_tokens[token])
fo.write(line)
def append_id(filename, id):
" Convenience handler for generating name of output file "
return "{0}_{2}.{1}".format(*filename.rsplit('.', 1) + [id])
性能比较
在124兆字节的文件上(通过复制发布的字符串生成):
当前解决方案:
总体趋势
测试代码
# Generate Data by replicating posted string
s = """please check in here
i have a full hd movie
see you again bye bye
press ctrl c to copy text to clipboard
i need your help
"""
with open('test_data.txt', 'w') as fo:
for i in range(1000000): # Repeat string 1M times
fo.write(s)
# Time Posted Solution
from time import time
import re
def posted(filename):
replace_tokens = {'ctrl c': 'ctrl_c', 'full hd': 'full_hd', 'bye bye': 'bye_bye', 'check in': 'check_in'}
outfile = append_id(filename, 'posted')
with open(filename, 'r') as fi, open(outfile, 'w') as fo:
for line in fi:
for token in replace_tokens:
line = re.sub(r'\b{}\b'.format(token), replace_tokens[token], line)
fo.write(line)
def append_id(filename, id):
return "{0}_{2}.{1}".format(*filename.rsplit('.', 1) + [id])
t0 = time()
posted('test_data.txt')
print('Elapsed time: ', time() - t0)
# Elapsed time: 82.84100198745728
# Time Current Solution
from time import time
def process_binary(filename):
replace_tokens = {b'ctrl c': b'ctrl_c', b'full hd': b'full_hd', b'bye bye': b'bye_bye', b'check in': b'check_in'}
outfile = append_id(filename, 'processed')
with open(filename, 'rb') as fi, open(outfile, 'wb') as fo:
for line in fi:
for token in replace_tokens:
line = line.replace(token, replace_tokens[token])
fo.write(line)
def append_id(filename, id):
return "{0}_{2}.{1}".format(*filename.rsplit('.', 1) + [id])
t0 = time()
process_binary('test_data.txt')
print('Elapsed time: ', time() - t0)
# Elapsed time: 9.593998670578003
# Time Processing using Regex
# Avoiding inner loop--see dawg posted answer
import re
def process_regex(filename):
tokens={"check in":"check_in", "full hd":"full_hd",
"bye bye":"bye_bye","ctrl c":"ctrl_c"}
regex=re.compile("|".join([r"\b{}\b".format(t) for t in tokens]))
outfile = append_id(filename, 'regex')
with open(filename, 'r') as fi, open(outfile, 'w') as fo:
for line in fi:
line = regex.sub(lambda m: tokens[m.group(0)], line)
fo.write(line)
def append_id(filename, id):
return "{0}_{2}.{1}".format(*filename.rsplit('.', 1) + [id])
t0 = time()
process_regex('test_data.txt')
print('Elapsed time: ', time() - t0)
# Elapsed time: 28.27900242805481
下面是我已经尝试过的代码: 有什么技巧或解决办法我可以实现它?
本文向大家介绍Python替换文件中的文本,包括了Python替换文件中的文本的使用技巧和注意事项,需要的朋友参考一下 例子
问题内容: 我正在使用node-webkit,并试图让用户选择一个文件夹,然后返回该文件夹的目录结构并递归获取其子级。 我已经用这个代码(在Angular Controller中)相当简单地工作了。 取一个中等大小的文件夹,其中包含22个子文件夹,深度约为4层,这需要几分钟的时间来获取整个目录结构。 我在这里显然做错了什么吗?看到我正在使用内置的Node fs方法,我简直不敢花这么长时间。还是有一
问题内容: 如何替换在文本文件中找到的一行文本? 我有一个字符串,例如: 我想用更新它: (反之亦然) 我该如何完成? 顺便说一句,我只想替换已读取的行。不是整个文件。 问题答案: 在底部,我有一个通用的解决方案来替换文件中的行。但是首先,这是眼前特定问题的答案。辅助功能: 然后调用它: 原始文本文件内容: Output: New text file content: And as a note,
问题内容: 我知道,当您将标记与一起使用时,可以替换HTML中生成的浏览按钮。 我不确定最好的方法是什么,所以如果有人对此有经验,请贡献力量。 问题答案: 最好的方法是使文件输入控件 几乎 不可见(通过给它一个非常低的不透明度-不要做“ 可见性:隐藏 ”或“ 显示:无 ”),并在它下面绝对放一些东西-带有较低的 z-index 。 这样,实际的控件将是不可见的,并且放置在它下面的任何内容都将显示出
问题内容: 由于HTML5中不推荐使用HTML中的标记(我理解为什么),有没有一种将某些属性和样式仅应用于段落文本 部分 的干净解决方案?我使用JavaScript来解析XML文件,该事实依赖于标签允许使用基于类的CSS格式化部分包装文本的事实。我意识到“ anchor”()标记也可以用于此目的,但是这种方式看起来非常落后且不自然。 编辑 当我问这个问题时(几年前),我未能理解每个DOM元素都属于