Python实现目录自动清洗
作者：东离与糖宝
这篇文章主要为大家详细介绍了Python实现目录自动清洗的相关知识,文中的示例代码讲解详细,具有一定的借鉴价值,感兴趣的小伙伴可以跟随小编一起学习一下
一、需求分析
1. 这是一个标准的章节目录，我们需要保留目录的前两级标题，也就是包含章和节字的标题
2. 需要在二级标题所在行最前面空4个格子，一级标题不用
3. 需要在章和节字的后面加上一个空格
4. 需要在页码前面加上=>符号
5. 示例效果如下：
二、操作步骤详解（标准章节）
1. 提取文章目录
1. 图片识别文字提取文章目录
2. 使用方法
3. 识别示例
2. 更改保存目录.txt
你可以使用Python中的open函数来打开文件，read方法读取文件内容，然后对内容进行修改，最后使用write方法将修改后的内容写回文件。以下是一个简单的例子：
import os
# 获取桌面路径
desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
# 目标文件路径
file_path = os.path.join(desktop_path, "目录.txt")
# 打开文件并读取内容
with open(file_path, 'r', encoding='utf-8') as file:
content = file.read()
# 修改内容（这里只是一个简单的例子）
modified_content = content.replace('章', '章666')
# 将修改后的内容写回文件
with open(file_path, 'w', encoding='utf-8') as file:
file.write(modified_content)
请确保你有足够的权限读取和写入文件。此外，这只是一个简单的例子，如果需要进行更复杂的操作，可以使用正则表达式或其他处理方式来实现。
3. 二级标题前面加4个空格
# 去除空格
line = line.replace(" ", "")
if '节' in line:
# 二级标题添加4个空格
line = ' ' * 4 + line
lstrip(' ') 是 Python 字符串方法，用于删除字符串开头（左侧）的指定字符。在这里，' ' 表示空格字符。
4. 在章字和节字后面添加一个空格
# 使用正则表达式在'章'或'节'后面添加一个空格
line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
5. 在页码前面加上=>符号
# 匹配并去除最外层的英文括号
pattern_en = r'\(([\d\s]+)\)'
line = re.sub(pattern_en, r'\1', line)
# 匹配并去除最外层的中文括号及其内部内容（包括空格）
pattern = r'（([^）]+)）'
line = re.sub(pattern, r'\1', line)
line = line.replace(" ", "")
# 确保每行只有一个 =>
if '=>' not in line:
# 在每行数字前加上 =>
line = re.sub(r'(\d+)', r'=>\1', line)
6. 代码完全体
# 获取桌面路径
import os
import re
desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
# 目标文件路径
file_path = os.path.join(desktop_path, "目录.txt")
# 打开文件并读取内容
with open(file_path, 'r', encoding='utf-8') as file:
lines = file.readlines()
modified_lines = []
for line in lines:
# 去除空格
line = line.replace(" ", "")
# 匹配并去除最外层的英文括号
pattern_en = r'\(([\d\s]+)\)'
line = re.sub(pattern_en, r'\1', line)
# 匹配并去除最外层的中文括号及其内部内容（包括除数字和空格以外的字符）
pattern = r'（([^）]+)）'
line = re.sub(pattern, r'\1', line)
# 确保每行只有一个 =>
if '=>' not in line:
# 在每行数字前加上 =>
line = re.sub(r'(\d+)', r'=>\1', line)
# 使用正则表达式在'章'或'节'后面添加一个空格
line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
if '节' in line:
# 二级标题添加4个空格
line = ' ' * 4 + line
modified_lines.append(line)
# 将修改后的内容写回文件
with open(file_path, 'w', encoding='utf-8') as file:
file.writelines(modified_lines)
# 读取文件内容
with open(file_path, 'r', encoding='utf-8') as file:
content = file.read()
print(content)三、进阶一（有章无节+小数二级标题）
1. 二级标题前面加4个空格
如果章字不在行内，则初步认定他为二级标题
# 去除空格
line = line.replace(" ", "")
if '章' not in line:
# 二级标题添加4个空格
line = ' ' * 4 + line
2. 在标题里面添加一个空格
# 使用正则表达式在'章'或'节'后面添加一个空格，仅在后面没有空格的情况下
line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
# 在小数点后添加空格
line = re.sub(r'(\.\d)', r'\1 ', line)
3. 在页码前面加上=>符号
# 匹配并去除最外层的英文括号
pattern_en = r'\(([\d\s]+)\)'
line = re.sub(pattern_en, r'\1', line)
# 匹配并去除最外层的中文括号及其内部内容（包括除数字和空格以外的字符）
pattern = r'（([^）]+)）'
line = re.sub(pattern, r'\1', line)
# 确保每行只有一个 =>
if '=>' not in line:
# 在页码数字前添加 =>（只在行尾）
line = re.sub(r'(\d+)$', r'=>\1', line)
4. 去除=>符号和汉字之间的冗余符号
# 去除中文汉字和'=>整体符号左边的冗余符号
pattern = r'([\u4e00-\u9fff]+)[^\w\s]+=>'
line = re.sub(pattern, r'\1=>', line)
5. 删除空行
# 去除空格
line = line.replace(" ", "")
if len(line) == 1:
continue
6. 代码完全体
# 获取桌面路径
import os
import re
desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
# 目标文件路径
file_path = os.path.join(desktop_path, "目录.txt")
# 打开文件并读取内容
with open(file_path, 'r', encoding='utf-8') as file:
lines = file.readlines()
modified_lines = []
for line in lines:
# 去除空格
line = line.replace(" ", "")
# 使用正则表达式在'章'或'节'后面添加一个空格，仅在后面没有空格的情况下
line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
# 在小数点后添加空格
line = re.sub(r'(\.\d)', r'\1 ', line)
if '章' not in line:
# 二级标题添加4个空格
line = ' ' * 4 + line
# 匹配并去除最外层的英文括号
pattern_en = r'\(([\d\s]+)\)'
line = re.sub(pattern_en, r'\1', line)
# 匹配并去除最外层的中文括号及其内部内容（包括除数字和空格以外的字符）
pattern = r'（([^）]+)）'
line = re.sub(pattern, r'\1', line)
# 确保每行只有一个 =>
if '=>' not in line:
# 在页码数字前添加 =>（只在行尾）
line = re.sub(r'(\d+)$', r'=>\1', line)
modified_lines.append(line)
# 将修改后的内容写回文件
with open(file_path, 'w', encoding='utf-8') as file:
file.writelines(modified_lines)
# 读取文件内容
with open(file_path, 'r', encoding='utf-8') as file:
content = file.read()
print(content)7. 进阶说明
1. 兼容标准章节版本
2. 章和章之间识别为第二级目录
3. 只在标题末尾页码数字添加=>符号
4. 去除箭头和汉字之间识别出来的冗余符号
5. 去除空行
拓展与补充
content = file.read() 与 lines = file.readlines() 读取文件的区别
在 Python 中，file.read() 和 file.readlines() 两者可以在同一个文件句柄中使用，但是要注意的是，file.read() 会读取整个文件内容为一个字符串，而 file.readlines() 会读取整个文件内容并将每一行作为一个字符串放入列表中
如果你使用了 file.read()，那么之后再使用 file.readlines() 将不会得到任何内容，因为文件指针已经在文件的末尾。如果需要再次读取文件，你可以使用 file.seek(0) 将文件指针重新定位到文件的开头
以下是一个演示的例子：
# 使用 file.read()
with open('example.txt', 'r', encoding='utf-8') as file:
content = file.read()
print(content)
# 使用 file.readlines()，注意在上面使用了 file.read() 之后，需要重新打开文件或者使用 file.seek(0)
with open('example.txt', 'r', encoding='utf-8') as file:
file.seek(0)
lines = file.readlines()
print(lines)总的来说，两者是可以在同一个文件句柄中使用的，只是需要注意文件指针的位置。
以上就是Python实现目录自动清洗的详细内容，更多关于Python目录清洗的资料请关注脚本之家其它相关文章！