使用Python删除文本文件中的部分内容

为了学习英语，我把从网上下载下来的电影转换成纯MP3文件，放到iTouch里去了，这样就可以直接练习听力了，另外把下载下来的字幕也放进去，听不懂的时候可以看，但有一个问题，网上载下来的字幕格式都如下所示：

7
00:01:44,789 --> 00:01:51,019
片名：当幸福来敲门 / 追求幸福

8
00:02:49,469 --> 00:02:52,839
马上来了
Should be here soon.

9
00:03:38,819 --> 00:03:41,189
- 我想我该列个表 - 干嘛？
-I think I should make a list. -What do mean?

10
00:03:41,189 --> 00:03:43,789
- 想要的生日礼物？ - 对呀
-For your birthday gifts? -Yeah.

如上，但存在两个问题：1、每一句前面都带有数字编号；2、带有时间戳；



我只想要里面的中英文文本，数字编号和时间戳都不需要。由于最近正在学习Python当然首先就想到了做个Python脚本来把时间戳和编号删掉。实现很简单，基本思路就是使用正则表达式匹配，把空行、纯数字行及带有“-->”的行删掉，然后再先回文本文件。



完成后的代码如下：

# -*- coding: utf-8 -*-

# code=cp936
import string, re

title_txt = open('I://pursuit_for_happiness(ch).txt', 'r+')
try:
    full_txt = title_txt.readlines()
    regex1 = "/A/d*[/n]/Z"
    regex2 = "/d --> /d"
    #print full_txt
    new_txt = []
    for line in full_txt:
        #print line
        if re.match(regex1, line) or re.search(regex2, line):
            #print "match", line
            continue
        else:
            new_txt.append(line)
    
    title_txt.seek(0)
    title_txt.truncate(0)
    #for line in full_txt:
    #    title_txt.writelines(line)
    title_txt.writelines(new_txt)
    
finally:
    title_txt.close()

print "Over"

过程中遇到一个问题：

1、Python中没办法清空一个文件，乱看了一通，发现使用truncate()方法，传入参数为0时可以搞定。

2、开始的时候直接使用for遍历list中的元素，匹配到就删除，发现需要执行多次脚本才能删完，且有些还始终删不掉，最后终于搞明白了：使用for i in list:时，如果一匹配到就删除，则此时list中的元素会改变，进入循环的下一轮时不出问题才怪。造孽，花了近一个小时才把这个问题搞定了。于是重新定义了一个空链表new_txt，使用它来存储我要的字幕，循环完成后把new_txt写回文件。大功告成！



爽，拷到我的iTouch里，开始学习英语了！