V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
aaa5838769
V2EX  ›  Python

Python B 文件里的每行数据匹配 A 文件里的内容 逻辑问题

  •  1
     
  •   aaa5838769 · 2020-05-26 21:59:26 +08:00 · 2278 次点击
    这是一个创建于 1647 天前的主题,其中的信息可能已经有所发展或是发生改变。

    A 文件是个 json 文件: a.txt

    {
    	"_id": "113.254.82.124",
    	"_index": "fofapro_subdomain",
    	"header": "HTTP/1.1 401 Unauthorized\r\nConnection: close\r\nContent-Length: 195\r\nCache-Control: no-cache\r\nContent-Type: text/html\r\nDate: Sat, 20 Oct 2018 15:59:44 GMT\r\nEtag: \"0-29d-b90\"\r\nServer: Embedthis-Appweb/3.3.1\r\nWww-Authenticate: Basic realm=\"DCS-2530L\"\r\nX-Frame-Options: SAMEORIGIN\r\n",
    }
    {
    	"_id": "http://10.254.82.12",
    	"_index": "fofapro_subdomain",
    	"header": "HTTP/1.1 401 Unauthorized\r\nConnection: close\r\nContent-Length: 195\r\nCache-Control: no-cache\r\nContent-Type: text/html\r\nDate: Sat, 20 Oct 2018 15:59:44 GMT\r\nEtag: \"0-29d-b90\"\r\nServer: Embedthis-Appweb/3.3.1\r\nWww-Authenticate: Basic realm=\"DCS-2530L\"\r\nX-Frame-Options: SAMEORIGIN\r\n",
    }
    {
    	"_id": "https://192.168.1.10:9090",
    	"_index": "fofapro_subdomain",
    	"header": "HTTP/1.1 401 Unauthorized\r\nConnection: close\r\nContent-Length: 195\r\nCache-Control: no-cache\r\nContent-Type: text/html\r\nDate: Sat, 20 Oct 2018 15:59:44 GMT\r\nEtag: \"0-29d-b90\"\r\nServer: Embedthis-Appweb/3.3.1\r\nWww-Authenticate: Basic realm=\"DCS-2530L\"\r\nX-Frame-Options: SAMEORIGIN\r\n",
    }
    {
    	"_id": "127.0.0.1:8343",
    	"_index": "fofapro_subdomain",
    	"header": "HTTP/1.1 401 Unauthorized\r\nConnection: close\r\nContent-Length: 195\r\nCache-Control: no-cache\r\nContent-Type: text/html\r\nDate: Sat, 20 Oct 2018 15:59:44 GMT\r\nEtag: \"0-29d-b90\"\r\nServer: Embedthis-Appweb/3.3.1\r\nWww-Authenticate: Basic realm=\"DCS-2530L\"\r\nX-Frame-Options: SAMEORIGIN\r\n",
    }
    

    B 文件: b.txt

    127.0.01
    192.168.1.10
    192.168.88.88
    

    代码

    import re
    import json
    
    def filesJson(filepath,dstpaths):
        datas = set()
        #正则匹配
        rule = re.compile('^[a-zA-z]{1}.*$')
        with open(filepath, 'r', encoding='UTF-8') as a, open(dstpaths, 'r', encoding='UTF-8') as b:
            b.seek(0)
            for realine_a in a:
                json_datas = json.loads(realine_a)
                ips = json_datas['_id']
                if rule.findall(ips):
                    ips = ips.strip("http[s]?://")
                    ips = ips.split(":")[0]
                    datas.add(ips)
            for realine_b in b:
                if realine_b in datas:
                    print(realine_b)
                else:
                    break
    
    if __name__ == '__main__':
        file_paths = "a.txt"
        dstpaths = 'b.txt'
        filesJson(file_paths, dstpaths)
    

    我的想法是把 A 文件里的 IP,去除协议和端口,只保留 IP 写入到一个集合中,然后在通过 B 文件的数据去匹配这个集合,有没有这个 IP,如果有这个 IP,把 A 文件这行数据写入到 C 文件中,现在问题是 B 文件无法匹配 A 文件的数据,而且如果 A 文件内容是几百万行数据,B 文件内容是几万行数据,这种逻辑是不是有很大的问题。

    第 1 条附言  ·  2020-05-27 19:16:27 +08:00
    非常感谢各位的回复,我还发现一个坑,就是提取 B 文件里的数据。会有一个\n 换行符也会影响的您的逻辑。
    20 条回复    2020-05-27 22:32:21 +08:00
    liprais
        1
    liprais  
       2020-05-26 22:01:24 +08:00 via iPhone
    pyspark 安排了
    aaa5838769
        2
    aaa5838769  
    OP
       2020-05-26 22:03:16 +08:00
    @liprais 感谢回复,但是我现在的代码逻辑是无法匹配到数据。
    telnetning
        3
    telnetning  
       2020-05-26 22:13:38 +08:00 via Android
    确认一下每个 Json 是在一行吗; rule 的正则可以再看一看?;可以直接断点调试一下~
    noqwerty
        4
    noqwerty  
       2020-05-26 22:14:51 +08:00 via Android
    别的不说,你现在每插入一条数据就要遍历一次 b 完全没意义啊,拿到两个 set 之后直接取交集不就行了吗
    aaa5838769
        5
    aaa5838769  
    OP
       2020-05-26 22:30:18 +08:00 via iPhone
    @noqwerty 我试过交集,发现还是没有数据。
    aaa5838769
        6
    aaa5838769  
    OP
       2020-05-26 22:32:47 +08:00 via iPhone
    @telnetning 每个 json 不在一行,一个 json 有很多数据,我只是提取出来几个字段,我的正则主要是为了匹配到 http 开头的,然后删除协议,如果有端口,进行截取,再存到集合中。
    AFlash
        7
    AFlash  
       2020-05-26 22:39:52 +08:00
    试试把“else:break”去掉,
    noqwerty
        8
    noqwerty  
       2020-05-26 22:39:55 +08:00
    @aaa5838769 #6 不在一行的话你的 json.loads(realine_a) 不会报错吗?
    ipwx
        9
    ipwx  
       2020-05-26 22:40:27 +08:00
    @aaa5838769 。。。

    b_set = set(filter(lambda s: s, (l.strip() for l in open('b.txt', 'r', encoding='utf-8'))))
    with open('a.txt', 'r', encoding='utf-8') as a_file, open('c.txt', 'r', encoding='utf-8') as c_file:
    ....for s in a:
    ........do what you have do to get s_ip
    ........if s_ip in b_set:
    ............c_file.write(s_ip + '\n')
    ipwx
        10
    ipwx  
       2020-05-26 22:40:59 +08:00
    open('c.txt', 'r', encoding='utf-8') as c_file => open('c.txt', 'w', encoding='utf-8') as c_file:
    ipwx
        11
    ipwx  
       2020-05-26 22:41:41 +08:00
    楼主你这需求,像我上面这样,把 b 做成 set 过一遍 a 就行了。不理解你在纠结啥。
    xujunfu
        12
    xujunfu  
       2020-05-26 22:42:17 +08:00 via iPhone
    取出 b 文件所以 ips,再把每个 ip 转成 long 数值,将数组排序;遍历 a 文件取出 ip 并转 long 数值,二分查找在不在 long_ips 数组中
    aaa5838769
        13
    aaa5838769  
    OP
       2020-05-26 22:46:30 +08:00 via iPhone
    @noqwerty 不好意思,在一行上,我脑子短路啊,我专门格式化一下,然后复制到论坛里。
    aaa5838769
        14
    aaa5838769  
    OP
       2020-05-26 22:51:49 +08:00 via iPhone
    @ipwx 我之前用过两个 set 做交集,也没有匹配到数据,所以换了另一种逻辑。
    wuwukai007
        15
    wuwukai007  
       2020-05-26 23:06:16 +08:00
    a 文件格式是这样?
    {‘_id’:xxx}下一行
    {‘_id’:xxx}下一行
    aaa5838769
        16
    aaa5838769  
    OP
       2020-05-26 23:14:45 +08:00 via iPhone
    @wuwukai007 是的
    rrfeng
        17
    rrfeng  
       2020-05-26 23:41:47 +08:00 via Android
    这个最佳实践是:

    b 预读完,做成 hash ( dict ),ip 当 key,放在内存里。

    然后 a 用流式 json 处理解析完直接查找 hash 表。
    wuwukai007
        18
    wuwukai007  
       2020-05-27 00:24:58 +08:00
    a.txt 格式
    {xxxxxxxx}\n
    {xxxxxxxx}\n
    b.txt 格式
    192.168.1.10
    192.168.1.10

    import pandas as pd
    import re
    df = pd.read_csv(r'a.txt',header=None)
    df.rename(columns={0:'ip'},inplace=True)
    regex = '(([01]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])\.){3}([01]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])'
    df['ip_host'] = df.ip.str.replace(rf'^((?!{regex}).)*','').str.replace('(:\d+)|"','')
    df2 = pd.read_csv(r"b.txt",sep='\n',header=None)
    df2.columns = ['ip_host']
    df3 = df2.merge(df,on='ip_host',how='inner')
    df3.drop('ip_host',axis=1,inplace=True)
    df3.to_csv(r"c.txt",index=None,header=None,quoting=None,quotechar="'")
    wuwukai007
        19
    wuwukai007  
       2020-05-27 00:26:09 +08:00
    a.txt 格式
    {xxxxxxxx}换行符
    {xxxxxxxx}换行符
    b.txt 格式
    192.168.1.10 换行符
    192.168.1.10 换行符

    import pandas as pd
    import re
    df = pd.read_csv(r'a.txt',header=None)
    df.rename(columns={0:'ip'},inplace=True)
    regex = '(([01]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])\.){3}([01]{0,1}\d{0,1}\d|2[0-4]\d|25[0-5])'
    df['ip_host'] = df.ip.str.replace(rf'^((?!{regex}).)*','').str.replace('(:\d+)|"','')
    df2 = pd.read_csv(r"b.txt",sep='\n',header=None)
    df2.columns = ['ip_host']
    df3 = df2.merge(df,on='ip_host',how='inner')
    df3.drop('ip_host',axis=1,inplace=True)
    df3.to_csv(r"c.txt",index=None,header=None,quoting=None,quotechar="'")

    输出 c.txt
    {xxxxxxxx}换行符
    {xxxxxxxx}换行符
    aaa5838769
        20
    aaa5838769  
    OP
       2020-05-27 22:32:21 +08:00
    @rrfeng value 为空么?
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3457 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 27ms · UTC 04:54 · PVG 12:54 · LAX 20:54 · JFK 23:54
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.