Python文件解析：无法捕获换行字符串，需提取书籍作者

嘿，我来帮你搞定这两个问题——从那56900条书籍记录里精准提取作者，同时解决Python读取文件时抓不到换行字符串的坑。

一、先搞定换行捕获的问题 #

你说Python解析时无法捕获换行字符串，大概率是读取文件的方式不对。很多人用readlines()的时候，容易忽略混合换行（比如Windows的\r\n和Linux的\n）的情况，或者没把整个文件内容读进来。

最稳妥的做法是一次性读取整个文件，这样所有换行符都会被完整保留：

# 读取完整文件内容，保留所有换行和格式细节
with open("你的书籍文件.txt", "r", encoding="utf-8") as f:
    full_content = f.read()

# 统一换行符（如果文件里有混合的\r\n和\n，转成统一的\n）
full_content = full_content.replace("\r\n", "\n")

这样处理后，你拿到的full_content就包含了所有换行，不会漏掉任何一行的边界信息，后续解析就靠谱多了。

二、提取作者信息的正则方案 #

从你给的示例来看，记录格式有几种变体，但核心规律是：作者名字前面会有“by”（英文）或者对应语言的等价词（比如芬兰语的mennessä），后面跟着ETEXT编号（5位数字）或者换行。

我给你写个灵活的正则表达式，能覆盖这些情况：

(?:by|mennessä)\s+([^0-9\n]+)

正则拆解： #

• (?:by|mennessä)：匹配“by”或者芬兰语的“mennessä”，用非捕获组避免多余的匹配结果；
• \s+：匹配一个或多个空白字符（空格、制表符都算）；
• ([^0-9\n]+)：捕获作者名字——匹配除了数字（ETEXT编号）和换行（下一条记录）之外的所有字符，精准定位作者。

完整Python代码 #

结合上面的文件读取，把提取逻辑整合起来：

import re

# 读取并预处理文件
with open("你的书籍文件.txt", "r", encoding="utf-8") as f:
    full_content = f.read()
    full_content = full_content.replace("\r\n", "\n")

# 定义正则，可扩展添加其他语言的"by"等价词（比如法语par、德语von）
author_regex = re.compile(r'(?:by|mennessä)\s+([^0-9\n]+)', re.IGNORECASE)

# 提取所有作者
raw_authors = author_regex.findall(full_content)

# 清理作者名字（去掉前后空格、末尾多余的逗号）
clean_authors = [author.strip().rstrip(',') for author in raw_authors]

# 输出或保存结果
# 打印前10条看看效果
for i, author in enumerate(clean_authors[:10], 1):
    print(f"第{i}条作者：{author}")

# 保存到文件
with open("提取的作者列表.txt", "w", encoding="utf-8") as f:
    f.write("\n".join(clean_authors))

针对特殊情况的优化 #

如果遇到作者名字里带数字（极少情况），或者编号不是5位，可以把正则改成更精准的版本，匹配到编号前就停止：

(?:by|mennessä)\s+(.+?)(?=\s+\d{5}|\n|$)

这个版本的意思是：匹配前缀后的内容，直到遇到“5位数字”、换行或者文本结尾，完美避开编号干扰。

另外，如果有其他语言的书籍，比如法语的par，直接把它加到正则的非捕获组里就行：(?:by|mennessä|par)。

三、测试验证 #

拿你给的示例文本跑代码，输入：

Aspects of plant life; with special reference to the British flora, 56900 by Robert Lloyd Praeger
The Vicar of Morwenstow, by Sabine Baring-Gould 56899 [Subtitle: Being a Life of Robert Stephen Hawker, M.A.]
Raamatun tutkisteluja IV, mennessä Charles T. Russell 56898 [Subtitle: Harmagedonin taistelu] [Language: Finn...

输出的作者列表会是：

Robert Lloyd Praeger
Sabine Baring-Gould
Charles T. Russell

完全符合预期。

内容的提问来源于stack exchange，提问作者Azazel