Python 2.7实现文件中长URL转短URL报错，如何修复？

让我来帮你搞定这个问题！你想要把myfile.txt里带一堆参数的长URL简化成只到.html的短URL，但你的代码出了几个问题，咱们一步步来梳理。

原myfile.txt内容 #

26-04-2018 | Publication 2018, 88936 , https://search.publications.com/pgm-2018-88936.html?search=%3fzkt%3dextended%26pst%3dPublication%26vrt%3d%26zkd%3dInTitle%26dpr%3dAll%26spd%3d20180529%26epd%3d20180529%26sdt%3dDatePublication%26pubId%3d%26pnr%3d1%26rpp%3d10&resultInx=0&sorttype=1&sortorder=4 19-04-2018 | Publication 2018, 8168 , https://search.publications.com/pgm-2018-8168.html?search=%3fzkt%3dextended%26pst%3dPublication%26vrt%3d%26zkd%3dInTitle%26dpr%3dAll%26spd%3d20180529%26epd%3d20180529%26sdt%3dDatePublication%26pubId%3d%26pnr%3d1%26rpp%3d10&resultInx=1&sorttype=1&sortorder=4 26-03-2018 | Publication 2018, 611724 , https://search.publications.com/pgm-2018-611724.html?search=%3fzkt%3dextended%26pst%3dPublication%26vrt%3d%26zkd%3dInTitle%26dpr%3dAll%26spd%3d20180529%26epd%3d20180529%26sdt%3dDatePublication%26pubId%3d%26pnr%3d1%26rpp%3d10&resultInx=2&sorttype=1&sortorder=4 01-02-2017 | Publication 2017, 1452026 , https://search.publications.com/pgm-2017-1452026.html?search=%3fzkt%3dextended%26pst%3dPublication%26vrt%3d%26zkd%3dInTitle%26dpr%3dAll%26spd%3d20180529%26epd%3d20180529%26sdt%3dDatePublication%26pubId%3d%26pnr%3d1%26rpp%3d10&resultInx=3&sorttype=1&sortorder=4

你的错误代码及报错 #

错误代码 #

import re
with open('myfile.txt', 'r+') as myfile:
    data = myfile.read()
    url = re.findall(r'[^https.+?]', data)
    urlshort = re.findall(r'[^https.+html?]', data)
    for url in data:
        myfile.write(url.replace(url, urlshort, data))
    myfile.close()

报错信息 #

Traceback (most recent call last):
  File "/pyscripts/data.py", line 9, in <module>
    myfile.write(url.replace(url, urlshort, data))
TypeError: an integer is required

问题拆解 #

咱们来看看代码里的几个关键错误：

• 正则表达式完全偏离需求：你写的[^https.+?]是匹配不是h、t、t、p、s、.、+、?的单个字符，根本不是在找URL；urlshort的正则也一样错了。
• 循环逻辑错误：for url in data是遍历文件内容的每一个字符，不是遍历找到的URL，完全跑偏了方向。
• replace方法用错：字符串的replace语法是str.replace(old, new[, count])，第三个参数是替换次数（整数），你传了data这个字符串，这就是报错的直接原因。
• 文件读写模式问题：用r+模式读完文件后，指针在文件末尾，直接写会追加内容，而且没清空原文件，导致内容混乱。

修改后的正确代码 #

import re

# 打开文件，读取内容后写入修改后的结果
with open('myfile.txt', 'r+') as myfile:
    data = myfile.read()
    
    # 定义替换函数：把长URL截断到.html的位置
    def shorten_url(match_obj):
        full_url = match_obj.group(0)
        # 按?分割，取前面的部分就是短URL
        return full_url.split('?')[0]
    
    # 正则匹配所有带参数的长URL，替换成短URL
    # 正则解释：匹配以https开头，直到空格前的完整长URL（包含.html?和后续参数）
    modified_data = re.sub(r'https://[^ ]+\.html\?[^ ]+', shorten_url, data)
    
    # 将文件指针移到开头，写入新内容，截断多余的旧内容
    myfile.seek(0)
    myfile.write(modified_data)
    myfile.truncate()

代码说明 #

1. 正则匹配：r'https://[^ ]+\.html\?[^ ]+'精准匹配所有带参数的长URL：
   • https://匹配URL开头
   • [^ ]+匹配到空格前的内容（因为你的文件里URL和其他内容用空格分隔）
   • \.html\?匹配到.html?的位置，确保只处理带参数的URL
2. 替换逻辑：用re.sub找到所有匹配的长URL，调用shorten_url函数把URL按?分割，取前面的短URL部分。
3. 文件操作：读完内容后用seek(0)把指针移到文件开头，写入修改后的内容，再用truncate()截断原文件中多余的内容，避免残留旧内容。

运行这段代码后，myfile.txt里的长URL就会变成简洁的https://search.publications.com/pgm-2018-88936.html这类短URL啦。

内容的提问来源于stack exchange，提问作者green