Python 3如何移除字符串非空行前导空白以便转换为列表

问题说明 #

作业要求移除输出文本中非换行内容行的所有前导空白，保留原有空行结构，方便后续字符串转列表；规则允许使用正则，禁止引入xml相关模块。
当前程序输出的非空内容行存在前导缩进，原始输出、预期输出分别如下：

原始带缩进输出 #

Belgian Waffles
    $5.95
    Two of our famous Belgian Waffles with plenty of real maple syrup
    650


    Strawberry Belgian Waffles
    $7.95
    Light Belgian waffles covered with strawberries and whipped cream
    900


    Berry-Berry Belgian Waffles
    $8.95
    Light Belgian waffles covered with an assortment of fresh berries and whipped cream
    900


    French Toast
    $4.50
    Thick slices made from our homemade sourdough bread
    600


    Homestyle Breakfast
    $6.95
    Two eggs, bacon or sausage, toast, and our ever-popular hash browns
    950
    (end of output)

预期处理后输出 #

Belgian Waffles
$5.95
Two of our famous Belgian Waffles with plenty of real maple syrup
650


Strawberry Belgian Waffles
$7.95
Light Belgian waffles covered with strawberries and whipped cream
900


Berry-Berry Belgian Waffles
$8.95
Light Belgian waffles covered with an assortment of fresh berries and whipped cream
    900


French Toast
$4.50
Thick slices made from our homemade sourdough bread
600


Homestyle Breakfast
$6.95
Two eggs, bacon or sausage, toast, and our ever-popular hash browns
950
(end of output)

现有待修改代码 #

import os
import re


def get_filename():
    print("Enter the name of the file: ")
    filename = input()
    return filename


def read_file(filename):
    if os.path.exists(filename):
        with open(filename, "r") as file:
            full_text = file.read()
            return full_text
    else:
        print("This file does not exist")


def get_tags(full_text):
    tags = re.findall('<.*?>', full_text)
    for tag in tags:
        full_text = full_text.replace(tag, '')
    return tags


def get_text(text):
    tags = re.findall('<.*?>', text)
    for tag in tags:
        text = text.replace(tag, '')
        text = text.strip()
    return text


def display_output(text):
    print(text)


def main():
    filename = get_filename()
    full_text = read_file(filename)

    tags = get_tags(full_text)
    text = get_text(full_text)

    display_output(text)


main()

问题根因 #

现有get_text函数中对整个文本直接调用strip()，仅能移除整个字符串首尾的空白字符，既无法处理中间每一行的前导缩进，还会破坏原有的空行分段结构。

修复方案 #

方案1：正则实现（符合作业允许使用RegEx的规则） #

使用正则匹配每一行开头的所有连续空白字符，替换为空即可。需要给正则加re.MULTILINE标志，让^元字符匹配每一行的开头，而非仅匹配整个字符串的起始位置，空行因为没有非空白内容不会被误处理，原有换行结构会完整保留。
仅需修改get_text函数即可：

def get_text(text):
    # 移除所有类HTML标签
    text = re.sub(r'<.*?>', '', text)
    # 逐行移除前导空白，re.M标志开启多行匹配模式
    text = re.sub(r'^\s+', '', text, flags=re.MULTILINE)
    return text

注：原代码中get_tags和get_text重复做了标签匹配替换的逻辑，这里直接用re.sub一次性替换所有标签，比循环replace效率更高。

方案2：字符串内置方法实现（无需正则） #

将文本按换行符拆分为行列表，对每一行单独调用lstrip()移除左侧空白，处理完成后再用换行符拼接回完整字符串，空行调用lstrip()后仍为空字符串，拼接后原有空行结构完全保留：

def get_text(text):
    # 移除所有类HTML标签
    text = re.sub(r'<.*?>', '', text)
    # 逐行处理左空白
    line_list = text.split('\n')
    text = '\n'.join([line.lstrip() for line in line_list])
    return text

后续转列表提示 #

处理完成的文本直接调用split('\n')即可转为列表，如果不需要保留空行元素，可在列表推导中加判断过滤：

# 保留空行的列表
full_list = processed_text.split('\n')
# 过滤空行的列表
non_empty_list = [line for line in processed_text.split('\n') if line]

内容的提问来源于stack exchange，提问作者maxmansupa