使用Python3.x计算与特定正则表达式模式匹配的行数

我有一个源UTF8文件（无BOM表，windows EOL），看起来如下所示：

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text
&&even_more_text_here

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text

~someunicodetext_someunicodetext_someunicodetext~

import re, codecs
pattern = re.compile(r'some_expression_here')
count = 0
with codecs.open("some_input_file", "r", "UTF8") as inputFile:
    inputFile=inputFile.read()
    lines = re.findall(pattern, inputFile)
    for match in lines:
        count +=1
print (count)

~someunicodetext_someunicodetext_someunicodetext~

some_more_unicode_text_some_more_unicode_text



~someunicodetext_someunicodetext_someunicodetext~

some_more_unicode_text_some_more_unicode_text

&&even_more_text_here

因此，有3种类型的行（如果计算空行数，则为4）。我的目标是使用python正则表达式计算每个非空的类型。这绝对必须是使用Python3.x的基于正则表达式的解决方案，因为我想了解它是如何工作的

我的python脚本如下所示：

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text
&&even_more_text_here

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text

~someunicodetext_someunicodetext_someunicodetext~

import re, codecs
pattern = re.compile(r'some_expression_here')
count = 0
with codecs.open("some_input_file", "r", "UTF8") as inputFile:
    inputFile=inputFile.read()
    lines = re.findall(pattern, inputFile)
    for match in lines:
        count +=1
print (count)

~someunicodetext_someunicodetext_someunicodetext~

some_more_unicode_text_some_more_unicode_text



~someunicodetext_someunicodetext_someunicodetext~

some_more_unicode_text_some_more_unicode_text

&&even_more_text_here

我遇到的真正问题是实际的正则表达式。

~.*

似乎能够匹配上面示例中的1、4、8等行（如果我们从1开始计算）

&.

与第6行匹配
但我不知道如何计算未标记的行，即第2、5、9行。
在记事本++中，这个表达式

^（？（~.*）|（&&&&.*）.

或者简单地说就是这个

^（？（！~&）。*

对我有效（尽管它不完全正确），但我在python中复制它的所有尝试都失败了

编辑

inputFile.read（）

没有按我期望的方式读取文件（hello windows EOL）。哪一个可能重要，也可能不重要。它的输出如下所示：

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text
&&even_more_text_here

~someunicodetext_someunicodetext_someunicodetext~
some_more_unicode_text_some_more_unicode_text

~someunicodetext_someunicodetext_someunicodetext~

import re, codecs
pattern = re.compile(r'some_expression_here')
count = 0
with codecs.open("some_input_file", "r", "UTF8") as inputFile:
    inputFile=inputFile.read()
    lines = re.findall(pattern, inputFile)
    for match in lines:
        count +=1
print (count)

~someunicodetext_someunicodetext_someunicodetext~

some_more_unicode_text_some_more_unicode_text



~someunicodetext_someunicodetext_someunicodetext~

some_more_unicode_text_some_more_unicode_text

&&even_more_text_here

---

您可以使用re.MULTILINE标志“”尝试此模式

re.UNICODE

标志也应用于Python2

下面是一个完整的示例：

import re, codecs

with codecs.open("input.txt", "r", "UTF8") as inputFile:
    data = inputFile.read()
pattern = re.compile(r'^\w.*', flags=re.MULTILINE)
lines = re.findall(pattern, data)

>>> data   #  note windows line termination
'~someunicodetext_someunicodetext_someunicodetext~\r\nsome_more_unicode_text_some_more_unicode_text\r\n   \t\r\n~someunicodetext_someunicodetext_someunicodetext~\r\nsome_more_unicode_text_some_more_unicode_text\r\n&&even_more_text_here\r\n\r\n~someunicodetext_someunicodetext_someunicodetext~\r\nsome_more_unicode_text_some_more_unicode_text\r\n\r\n~someunicodetext_someunicodetext_someunicodetext~\r\n'

>>> print(lines)
['some_more_unicode_text_some_more_unicode_text\r', 'some_more_unicode_text_some_more_unicode_text\r', 'some_more_unicode_text_some_more_unicode_text\r']

>>> print(len(lines))
3

---

因此，正则表达式根据需要匹配“未标记”的非空行。

答案如下。我仍然不确定我是否正确处理了windows EOL等等，但这似乎是可行的。 我也有点希望有人能回答我的问题，解释一下我的问题在哪里，以及为什么它是这样运作的，但是哦，好吧

这是怎么回事。我们匹配前面有~EOL且以另一个EOL结尾的每一行。同时，我们确保排除具有2个或更多连续EOL的匹配

所以。这仅与标记为的行正下方的行匹配~

import re, codecs

regex = re.compile(r'(?!~(\r\n){2,})~\r\n.*\r\n', re.MULTILINE)
count = 0

with codecs.open('input_file', 'r', 'UTF8') as inputFile:
    inputFile=inputFile.read()
    lines = re.findall(regex, inputFile)
    for match in lines:
        count +=1
print (count)

“未标记”行可以识别为不平淡、不以

~

开头且不以

&

开头的行

因此，以下正则表达式将起作用：

^[^&\s].*

阅读：

^

=开头匹配，

[^…]

=不在中的单个字符，

&\s

=字符

&

或空白字符（即不是其中之一），

*

=之后可以出现任何字符

（我把

\s

放进去以防万一，因为你说你的换行有问题。我不确定是否需要）

而且，逐行读取文件要好得多。你会得到：

import re, codecs
pattern = re.compile(r'^[^&\s].*')
with codecs.open("some_input_file", "r", "UTF8") as inputFile:
    count = sum( 1 for line in inputFile if re.search(pattern, line) )
print (count)

---

这给出了不包括空格的所有行的计数。所以空行不会被计数。希望这有帮助。

我的意思是，如果从1开始计数，它与我的示例中的第1、4、8行匹配。不是内部逻辑之类的。除非你每次都加上，否则第1行、第4行和第8行就是没有标记的行。我不明白你的意思。我测试了它，它完全符合我说的。Count返回正确的结果，这才是重要的。我尝试过，但我相信它也会计算空行。如果我在last for循环下添加

print（match）

，我确实会看到很多空白，添加/删除空行会更改结果计数。还忘了提到，

^\w.

不会产生正确的结果。它只返回从普通字母开始的行，而不返回一些关于我的记事本++示例的奇怪符号（但不返回空行）。npp中的

*

将匹配任何非空行。也许这就是为什么它对我有用。我认为python不是这样的。对不起，我误解了你的要求。。。我认为每种类型的线路都需要单独计数。我的答案是一个正则表达式模式来匹配那些不以~或&开头的非空行。是的，我理解。这就是问题所在<代码>^[^~&].$也与空行匹配。空行没有

~

或

&

，但它们有开头

^

、结尾

$

和中间的内容

*

运行它时的输出是什么？我得到“3”-它似乎只匹配空白行。此外，for循环计数器可以替换为

len（lines）

。3是正确答案。我还解释了它与什么匹配。谢谢你的循环提示。当你目不转睛地看它时，你可能会看到垃圾，但它确实起到了作用？您可以看到输入文件包含3个空行和3个未标记行。你到底在匹配哪一个？尝试打印

行

，您将看到[u''，u''，u'']，即3个空行。我需要计算直接位于~中所含行下方的行数，此答案就是这样！（问题本身已经给出了计算所有其他行数的解决方案。）无需大喊大叫。在你最初的问题中，它在哪里说的？你说，非常笨拙，你需要计算未标记的行（那些不以~或&开头的行）。你不是说你需要数一数由~-括起的一行后面的行，而是说没有标记的行。无论如何，如果你认为你的答案是正确的，就去用它。当您的输入文件更改时，享受调试它的乐趣。Nope。首先，这在Python3.x中根本不起作用。其次，这不处理输入文件，正确处理EOL和其他内容。第三，以我的实际示例作为输入字符串，结果是“8”行，而正确答案是“3”。结果应该是8 rt……。所有非空行……。如果我错了，请纠正我。。。。。。对于输入文件，也要做一些小的修改……我想可以马上合并……结果应该是三个。你能看到搜索“每一个非空白行”和该行的“每一个非空白类型”之间的区别吗。总共有3种类型，我们正在搜索其中一种！你没有正确地解释你想要什么，这就是为什么我们对你的问题都有困难。上述内容在Python3中确实有效，但print语句不起作用，