用Python处理Windows行尾

Question

我有一个来自Windows提供商的700MB的XML文件。

如人们所料，行尾是'\r\n'（或vi中的^M）。除了让供应商发送'\n'：-）之外，处理这种情况的最有效方法是什么

1. 使用os.linesep
2. 使用rstrip()（要求打开文件。。。看起来很疯狂）
3. 在我的Mac雪豹上使用Universal newline support不是标准的，所以不是一个选项。

我对任何需要Python2.6+的东西都是开放的，但是它需要在SnowLeopard和Ubuntu9.10上使用最小的外部需求。我不介意一个小的点球，但我正在寻找标准的最佳方式来处理这个问题。

----编辑----

行尾位于标记描述符的中间，否则就不会有问题。我知道这是不好的形式，他们不应该发送给我，但这是我如何有文件和供应商大多是不称职的。

Answer 1

为什么DOS行尾是个问题？大多数事情都可以很好地处理，包括XML解析器。如果您真的想删除它们，请以universal line-endings模式打开文件：

open(filename, 'rU')

Python将把所有行尾转换为UNIX行尾。如果你真的不能使用它（我觉得有点奇怪），那就没有办法让Python为你做这项工作。不过，你无论如何都要打开文件，所以你对#2的反对似乎有点奇怪。

Answer 2

据称：“这家伙在标记描述符中间有一个像这样的<ParentRedirec tSequenceID>”“。”。

我看不到这里。也许您的意思是repr（xml）包含如下内容

"<ParentRedirec\r\ntSequenceID>"

如果不是，试着用repr fashion示例精确地说出的意思。

以下方法应该有效：

>>> import re
>>> guff = """<atag>\r\n<bt\r\nag c="2">"""
>>> re.sub(r"(<[^>]*)\r\n([^>]*>)", r"\1\2", guff)
'<atag>\r\n<btag c="2">'
>>>

如果标记中有多个换行符，例如<foo\r\nbar\r\nzot>，则只修复第一个换行符。备选方案（1）循环直到废话停止收缩（2）自己编写一个更聪明的regexp:-）

Answer 3

您是以文本模式还是二进制模式打开文件？我很确定我的Leopard安装中已经使用了通用的换行程序，但是也许我也从某个地方得到了一个更新的Python。。。

不管怎样，我见过这样的事情让很多程序员很苦恼，因为他们只是想得到“b”键。如果要打开已知在平台上创建的文本文件，请使用“t”，如果需要通用换行符，请使用“U”而不是“t”。

with file(filename, 'rt') as f:
   content = f.read()

编辑：注释说明“rt”是默认值。说得对，但是Python风格倾向于显式而不是隐式，所以我要这么做。