如何用Python统计文件中表达式出现次数及修复JSON统计错误

看起来你已经搞定了文件读取和匹配内容高亮的部分，很棒！现在问题出在统计匹配次数时误把文件行数当成了实际匹配数——这个坑我以前也踩过，大概率是你在处理文件时，不小心把遍历行的计数器当成了匹配次数。

问题根源 #

你可能是在逐行读取文件时，用了类似enumerate的行号变量来统计“次数”，但行号只是文件的行数，和正则匹配的实际次数完全无关。正确的做法应该是统计re.findall返回的匹配列表的长度，或者逐行累加每一行的匹配数量。

修正方案 #

下面是完整的修正代码，包含高亮显示和正确统计匹配次数并保存JSON的逻辑：

import re
import json

def highlight_matches(text, pattern):
    # 用ANSI红色高亮匹配内容（终端中生效）
    return re.sub(pattern, lambda match: f"\033[91m{match.group()}\033[0m", text)

def process_file(file_path, regex_pattern):
    try:
        # 一次性读取文件内容（小文件适用）
        with open(file_path, 'r', encoding='utf-8') as file:
            file_content = file.read()
        
        # 获取所有匹配结果，计算准确次数
        all_matches = re.findall(regex_pattern, file_content)
        total_matches = len(all_matches)
        
        # 输出高亮内容
        print("高亮后的文件内容：\n")
        print(highlight_matches(file_content, regex_pattern))
        
        # 准备要存入JSON的结果数据
        result_info = {
            "文件名": file_path,
            "匹配表达式": regex_pattern,
            "出现次数": total_matches
        }
        
        # 写入JSON文件，格式化输出更易读
        with open("match_statistics.json", 'w', encoding='utf-8') as json_file:
            json.dump(result_info, json_file, ensure_ascii=False, indent=4)
        
        print(f"\n✅ 统计结果已保存到match_statistics.json，共匹配到{total_matches}次")

    except FileNotFoundError:
        print(f"❌ 错误：找不到文件 {file_path}")
    except re.error:
        print("❌ 错误：正则表达式格式无效，请检查后重试")

if __name__ == "__main__":
    target_file = input("请输入目标文件名：")
    user_pattern = input("请输入要匹配的正则表达式：")
    process_file(target_file, user_pattern)

针对大文件的优化（逐行处理） #

如果你的文件很大，不适合一次性读入内存，可以改成逐行处理并累加匹配次数：

# 替换process_file函数中的读取和统计部分
match_count = 0
highlighted_content = []
with open(file_path, 'r', encoding='utf-8') as file:
    for line in file:
        # 统计当前行的匹配数并累加
        line_matches = re.findall(regex_pattern, line)
        match_count += len(line_matches)
        # 高亮当前行并加入列表
        highlighted_content.append(highlight_matches(line, regex_pattern))

# 合并高亮内容
highlighted_content = ''.join(highlighted_content)

关键注意点 #

• 绝对不要用文件的行数来代替匹配次数，行数和匹配数没有直接关系（一行可能有多个匹配，也可能没有）
• re.findall返回的是所有匹配字符串组成的列表，len()就是准确的总匹配数
• 如果需要区分非重叠匹配/重叠匹配，可能需要用re.finditer，但大部分场景下findall足够用

内容的提问来源于stack exchange，提问作者Py Dev