映射重複的ID爲電子郵件

我有列的文件ID MAIL（2000萬）：映射重複的ID爲電子郵件

[email protected] 0xE618EF6B90AG 
[email protected] 0xE618EF6B90AF 
[email protected] 0xE618EFBCC83D 
[email protected] 0xE618EFBCC83C 
@000000000 0xE618F02C223E432CEA 
[email protected] 0x01010492A 
[email protected] 0x52107A 
@ 0xE618F032F829432CE04343307C570906A 
[email protected] 0xE618F032F829432CEB 
[email protected] 0xE618F032FE7B432CEC 
[email protected] 0xE618F032FE7B432CED 
@hotmail.com 0x41970588 
@ 0x52087617

我需要映射ID的註冊電子郵件，所以我們可以找到什麼樣的ID已註冊給定郵件。該電子郵件可能有多個ID在其上註冊。這裏是我做的功能，但事實證明，我需要排除像@.com@等

在腳本的第一個版本，它的工作原理幾乎完全與小東西大多是非有效的電子郵件，我的解析器分解如果電子郵件有符號

所以我之間增加了一個正則表達式來檢查電子郵件值space的地方，但我得到的錯誤，我不知道如何處理：

import re 

def duplicates(filename): 
    with open(filename, 'r') as f: 
     lines = f.readlines() 

    query = (line.replace('\n','') for line in lines) 
    split_query = (line.split(' ') for line in query) 

    result_mail = {} 
    for line in split_query: 
     #added if statement to validate email, remove to check w/o 
     if re.match(r"[a-zA-Z0-9.-][email protected][a-zA-Z0-9.-]+\.[a-zA-Z0-9.-]+", line[0]): 
      if line[0] not in result_mail: 
       result_mail[line[0]] = [] 
     result_mail[line[0]].append(line[1]) 

    for mail, ids in result_mail.iteritems(): 
     if len(ids) > 1: 
      with open('MAIL_ids.txt', 'a') as r_mail: 
       r_mail.write(str(mail) + '\n') 
       r_mail.write(str(ids) + '\n') 

if __name__ == '__main__': 
    import sys 
    filename = sys.argv[1] 
    duplicates(filename)

運行該腳本後我得到關於的錯誤0，這是爲什麼發生？

File ".\dup_1.2.py", line 44, in <module> 
    duplicates(filename) 
File ".\dup_1.2.py", line 32, in duplicates 
    result_mail[line[0]].append(line[1]) 
KeyError: ''

我也想重寫部分，我添加鍵和值字典。我想用一臺發電機defaultdict()水木清華這樣的：

result_mail = defaultdict(list) 
for line in lines: 
    if line[0] not in result_mail: 
     result_mail[line[0]].append(line[1])

來源

2014-01-30 izdi

好吧！祝你好運！（我在這裏沒有看到任何問題） –

@EmilVikström，好的問題是，如何擺脫KeyError？ – izdi

該行是否應該縮進一個級別，放在'if re.match'塊中？此外，你可能想使用'collections.defaultdict' –

看來你只是把線result_mail[line[0]].append(line[1])在壓痕錯誤的水平，所以當if re.match情況不適用它甚至被處決。

此外，你可能想要使用collections.defaultdict擺脫if line[0] not in result_mail檢查。

result_mail = collections.defaultdict(list) 
for (id_, mail) in split_query: 
    if re.match(r"[a-zA-Z0-9.-][email protected][a-zA-Z0-9.-]+\.[a-zA-Z0-9.-]+", id_): 
     result_mail[id_].append(mail)

來源

2014-01-30 12:52:16

映射重複的ID爲電子郵件

回答

相關問題