如何按特定条件补全文本文件中缺失的序列URL

需要处理包含多个URL的文本文件，对比相邻行的链接，补全同一基础路径下缺失的数字序列URL。例如：

输入相邻链接：

https://gp.to/ab/394/las69-02-09-2020/
https://gp.to/ab/394/las69-02-09-2020/4/

输出需补全中间序列：

https://gp.to/ab/394/las69-02-09-2020/
https://gp.to/ab/394/las69-02-09-2020/2/
https://gp.to/ab/394/las69-02-09-2020/3/
https://gp.to/ab/394/las69-02-09-2020/4/

完整输入示例 #

https://gp.to/ab/394/las69-02-09-2020/
https://gp.to/ab/394/las69-02-09-2020/4/
https://gp.to/ab/563/dimp-02-07-2023/
https://gp.to/ab/39443/omegs-02-07-2023/
https://gp.to/ab/39443/omegs-02-07-2023/3/
https://gp.to/ab/39443/lis-22-04-2018/
https://gp.to/ab/39443/lis-22-04-2018/2/
https://gp.to/ab/39443/madi-22-04-2018/
https://gp.to/ab/39443/madi-22-04-2018/5/

预期输出示例 #

https://gp.to/ab/394/las69-02-09-2020/
https://gp.to/ab/394/las69-02-09-2020/2/
https://gp.to/ab/394/las69-02-09-2020/3/
https://gp.to/ab/394/las69-02-09-2020/4/
https://gp.to/ab/563/dimp-02-07-2023/
https://gp.to/ab/39443/omegs-02-07-2023/
https://gp.to/ab/39443/omegs-02-07-2023/2/
https://gp.to/ab/39443/omegs-02-07-2023/3/
https://gp.to/ab/39443/lis-22-04-2018/
https://gp.to/ab/39443/lis-22-04-2018/2/
https://gp.to/ab/39443/madi-22-04-2018/
https://gp.to/ab/39443/madi-22-04-2018/2/
https://gp.to/ab/39443/madi-22-04-2018/3/
https://gp.to/ab/39443/madi-22-04-2018/4/
https://gp.to/ab/39443/madi-22-04-2018/5/

原代码存在的问题 #

1. 未校验基础路径一致性：原代码没有判断相邻URL是否属于同一基础路径，若下一个URL是完全不同的路径，会错误尝试补全。
2. 未处理基础路径（无数字）的情况：当当前URL是基础路径（无数字后缀），下一个URL是该路径下的数字子路径时，原代码无法识别并补全中间序列。
3. URL生成逻辑有误：原代码使用current_url.rsplit('/', 1)[0]生成新URL，当当前URL是基础路径时，这种方式会导致路径错误。

修正后的代码 #

def parse_url(url):
    """解析URL，返回(基础路径, 数字)，数字为None表示是基础路径"""
    parts = url.strip().split('/')
    # 过滤空字符串（URL结尾是/，split后最后一个元素为空）
    parts = [p for p in parts if p]
    # 从后往前查找数字部分
    for idx in range(len(parts)-1, -1, -1):
        if parts[idx].isdigit():
            # 提取数字的父路径作为基础路径
            base_path = '/'.join(parts[:idx]) + '/'
            return (base_path, int(parts[idx]))
    # 未找到数字，返回原URL作为基础路径
    return (url.strip(), None)

# 读取输入文件，过滤空行
with open('input.txt', 'r') as input_file:
    lines = [line.strip() for line in input_file if line.strip()]

output_lines = []

for i in range(len(lines)):
    current_url = lines[i]
    output_lines.append(current_url + '\n')  # 保留换行符，保证输出格式一致
    
    if i + 1 >= len(lines):
        continue
    
    next_url = lines[i+1]
    current_base, current_num = parse_url(current_url)
    next_base, next_num = parse_url(next_url)
    
    # 仅当基础路径相同时才执行补全逻辑
    if current_base != next_base:
        continue
    
    # 场景1：当前是基础路径，下一个是带数字的子路径
    if current_num is None and next_num is not None and next_num > 1:
        for num in range(2, next_num):
            new_url = f"{current_base}{num}/"
            output_lines.append(new_url + '\n')
    # 场景2：当前和下一个都是同基础路径下的数字子路径，且存在缺失序列
    elif current_num is not None and next_num is not None and next_num > current_num + 1:
        for num in range(current_num + 1, next_num):
            new_url = f"{current_base}{num}/"
            output_lines.append(new_url + '\n')

# 写入输出文件
with open('output.txt', 'w') as output_file:
    output_file.writelines(output_lines)

代码说明 #

1. parse_url函数：负责解析每个URL，分离出基础路径和对应的数字（如果有）。例如：
   • 输入https://gp.to/ab/394/las69-02-09-2020/4/，返回("https://gp.to/ab/394/las69-02-09-2020/", 4)
   • 输入https://gp.to/ab/394/las69-02-09-2020/，返回("https://gp.to/ab/394/las69-02-09-2020/", None)
2. 路径一致性校验：只有相邻URL的基础路径完全相同时，才会执行补全逻辑，避免跨路径错误补全。
3. 两种补全场景处理：
   • 基础路径到带数字子路径：补全2到目标数字-1的序列
   • 同基础路径下的两个数字子路径：补全中间缺失的数字序列
4. 换行符处理：确保输出的每一行都有正确的换行符，与输入格式保持一致。

内容的提问来源于stack exchange，提问作者nicholaspooran