Python读取HTML文件后列表迭代搜索的索引错误排查与解决

场景与问题 #

现有一个HTML文件，内容如下：

<span style="color: #000000; font-weight: bold; ">data 27 dic 2022 - 14:25:59::</span><br>
<br>
&nbsp;&nbsp;&nbsp;&nbsp;<span style="color: #0000ff; ">something</span>&nbsp;-> ALTO<br>
<br>
<span style="color: #000000; font-weight: bold; ">data 27 dic 2022 - 14:38:38::</span><br>
<br>
&nbsp;&nbsp;&nbsp;&nbsp;<span style="color: #0000ff; ">something</span>&nbsp;-> NO_ACQ<br>
<br>
<span style="color: #000000; font-weight: bold; ">data 27 dic 2022 - 14:38:40::</span><br>

需要通过Python的file.readlines()将其读取为列表后，迭代搜索包含data的行提取时间戳，且每次搜索无需从列表开头开始。当前实现的主代码和timestamp_search函数存在索引传递逻辑错误，导致迭代时索引混乱：

主代码 #

exit = 0
iterazione = 0  # 初始搜索起始索引
passed_time = ...  # 业务定义的时间下限
actual_time = ...  # 业务定义的时间上限

while exit == 0:
    timestamp, stop, index = timestamp_search(path, "data", iterazione)
    print('timestamp=', timestamp)

    if timestamp > passed_time and timestamp < actual_time:
        # do something（执行目标业务逻辑）
        exit = 1
    elif stop == 1:
        exit = 1
    else:
        iterazione = index + 1

原timestamp_search函数 #

def timestamp_search(file_path, word_1, iterazione):
    stop = 0
    with open(file_path, 'r') as file:
        lst = file.readlines()
        print('iterazione', iterazione)
        
        if lst:
            if iterazione < len(lst):
                for index, line in enumerate(lst[iterazione:]):
                    if line.find(word_1) != -1: 
                        print(index, line)
                        # do something to calculate timestamp（时间戳提取逻辑）
                        break
            else:
                stop = 1
                return timestamp, stop
        else:
            print('File vuoto')
    
    return timestamp, stop, index

错误原因 #

使用enumerate(lst[iterazione:])时，返回的index是切片后的相对索引，而非原列表的绝对索引。例如：

• 第一次iterazione=0，找到相对索引0，对应原列表索引0；
• 第二次iterazione=1，搜索lst[1:]时找到相对索引3，对应原列表索引应为1+3=4，但原代码直接返回相对索引3，导致下一次iterazione=3+1=4，后续搜索逻辑混乱。

修正方案 #

1. 计算绝对索引 #

在找到目标行的相对索引后，加上起始偏移量iterazione，得到原列表的绝对索引。

2. 完善变量初始化与边界处理 #

• 初始化timestamp变量，避免未定义报错；
• 处理遍历完切片后未找到目标行的情况；
• 修正返回值的完整性。

修正后的timestamp_search函数 #

def timestamp_search(file_path, word_1, iterazione):
    stop = 0
    timestamp = None  # 初始化timestamp变量
    absolute_index = iterazione  # 默认起始索引
    
    with open(file_path, 'r') as file:
        lst = file.readlines()
        print('iterazione', iterazione)
        
        if lst:
            if iterazione < len(lst):
                # 遍历切片，同时计算原列表的绝对索引
                for rel_index, line in enumerate(lst[iterazione:]):
                    absolute_index = iterazione + rel_index
                    if line.find(word_1) != -1: 
                        print(absolute_index, line)
                        # 补充时间戳提取逻辑示例：
                        time_str = line.split('>')[1].split('::')[0].strip()
                        # 根据业务需求将time_str转换为timestamp格式，例如：
                        # from datetime import datetime
                        # timestamp = datetime.strptime(time_str, "data %d %b %Y - %H:%M:%S")
                        break
                else:
                    # 遍历完切片未找到目标行，标记终止
                    stop = 1
            else:
                stop = 1
        else:
            print('File vuoto')
            stop = 1
    
    return timestamp, stop, absolute_index

修正后逻辑说明 #

• 每次搜索时，通过iterazione + rel_index计算原列表的绝对索引，确保下一次搜索的起始位置正确；
• 处理了遍历完切片未找到目标行的情况，避免索引异常；
• 初始化timestamp变量，解决未定义的报错问题。

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