为什么re.search无法匹配到文档中以'>'开头的行？

错误点梳理 #

• 无文件遍历逻辑，变量未定义：代码仅完成了输入、输出文件的打开操作，没有逐行读取文件的循环逻辑，用于匹配的line变量未定义，运行时会直接触发NameError，无法执行匹配逻辑。
• 正则规则和匹配目标不匹配：你需要匹配的是文本中的原生>字符，但正则中写了HTML转义实体>，只有当文件内容本身存储的是转义后的HTML代码时才会命中，普通文本中的>完全无法匹配。
• 无捕获组却调用分组索引：你编写的正则没有用括号定义任何捕获分组，即便匹配成功，调用group(1)也会触发IndexError，如果需要获取整个匹配结果，应该调用group(0)，如果需要提取>后的特定内容，需要用括号包裹对应匹配规则。
• 缺少文件写入逻辑、资源未释放：代码打开输出文件后没有写入操作，匹配结果仅打印在终端，且运行结束后没有关闭输入、输出文件句柄，会造成资源泄漏。

修正后代码 #

如果你的需求是提取行首>后第一个非空白字符串，可使用以下代码，通过with上下文管理器自动处理文件关闭，适配大型文档处理：

import sys
import re

with open(sys.argv[1], 'r', encoding='utf-8') as input_f, open(f"{sys.argv[1]}.summary", 'w', encoding='utf-8') as output_f:
    for line in input_f:
        match_obj = re.match(r'>\s(\S+)', line)
        if match_obj:
            hit = match_obj.group(1)
            print(hit)
            output_f.write(hit + '\n')

如果仅需要提取所有以>开头的完整行，不需要正则匹配，直接用字符串前缀判断性能更高，更适合大文件：

import sys

with open(sys.argv[1], 'r', encoding='utf-8') as input_f, open(f"{sys.argv[1]}.summary", 'w', encoding='utf-8') as output_f:
    for line in input_f:
        if line.startswith('>'):
            print(line, end='')
            output_f.write(line)

内容的提问来源于stack exchange，提问作者mwjones