网站地图
【www.gdgbn.com--python】
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：
view sourceprint?01 #!/usr/bin/env python
02 #encoding=utf-8
03 import re
04 from sys import argv
05
06
07 if __name__ == "__main__":
08 if len(argv) != 2:
09 print "usage: filename"
10 else:
11 fh = open(argv[1], "r")
12 content = fh.read()
13 out = re.sub("n([x80-xff])", r"1", content)
14 print out
规范行首：
view sourceprint?01 #!/usr/bin/env python
02 #encoding=utf-8
03 import re
04 from sys import argv
05
06
07 if __name__ == "__main__":
08 if len(argv) != 2:
09 print "usage: filename"
10 else:
11 fh = open(argv[1], "r")
12 content = fh.read()
13 out = re.sub(" +([x80-xff])", r" 1", content)
14 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》