如何搜索目录中所有文件类型的正则表达式

Question

所以，我想在我的整个目录中搜索包含正则表达式列表的文件。这包括：目录、pdf 和 csv 文件。仅搜索文本文件时，我可以成功完成此任务，但搜索所有文件类型却很困难。以下是我迄今为止的工作：import globimport reimport PyPDF2#-------------------------------------------------Input----------------------------------------------------------------------------------------------folder_path = "/home/"file_pattern = "/*"folder_contents = glob.glob(folder_path + file_pattern)#Search for Emailsregex1= re.compile(r'\S+@\S+')#Search for Phone Numbersregex2 = re.compile(r'\d\d\d[-]\d\d\d[-]\d\d\d\d')#Search for Locationsregex3 =re.compile("([A-Z]\w+), ([A-Z]{2})")for file in folder_contents:    read_file = open(file, 'rt').read()if readile_file == pdf:    pdfFileObj = open('pdf.pdf', 'rb')     pdfReader = PyPDF2.PdfFileReader(pdfFileObj)     pageObj = pdfReader.getPage(0)      content= pageObj.extractText())     if regex1.findall(read_file) or regex2.findall(read_file) or regex3.findall(read_file):        print ("YES, This file containts PHI")        print(file)    else:        print("No, This file DOES NOT contain PHI")        print(file)当我运行它时，我收到此错误：YES, This file containts PHI/home/e136320/sample.txtNo, This file DOES NOT contain PHI/home/e136320/medicalSample.txt---------------------------------------------------------------------------UnicodeDecodeError                        Traceback (most recent call last)<ipython-input-129-be0b68229c20> in <module>()     19      20 for file in folder_contents:---> 21     read_file = open(file, 'rt').read()     22 if readile_file == pdf:     23     # creating a pdf file objectUnicodeDecodeError: 'utf-8' codec can't decode byte 0xc7 in position 10: invalid continuation byte有什么建议？

Answer 1

你不能打开这样的 pdf 文件，它需要一个纯文本文件。你可以使用这样的东西：

fn, ext = os.path.splitext(file)

if ext == '.pdf':

    open_function = PyPDF2.PdfFileReader

else:  # plain text

    open_function = open

with open_function(file, 'rt') as open_file:

    # Do something with open file...

此代码段检查文件扩展名，然后根据它找到的内容分配一个打开函数，这有点幼稚，可以使用类似于此答案中显示的方法来做得更好。