diff --git a/py/收集.py b/py/收集.py index 0d97610..53453d6 100644 --- a/py/收集.py +++ b/py/收集.py @@ -379,7 +379,6 @@ with open("网络收集.txt", "w", encoding="utf-8") as file: - import re def parse_file(input_file_path, output_file_name): @@ -436,46 +435,6 @@ def parse_file(input_file_path, output_file_name): alphabet_counter += 1 # 递增字母计数器 # 调用函数并传入文件路径和输出文件名 -parse_file('网络收集.txt', '网络收集.txt')import re -def parse_file(input_file_path, output_file_name): - # 正则表达式匹配从'//'开始到第一个'/'或第一个'::'结束的部分 - ip_or_domain_pattern = re.compile(r'//([^/:]*:[^/:]*::[^/:]*|[^/]*)') - # 用于存储每个IP或域名及其对应的行列表 - ip_or_domain_to_lines = {} - # 读取原始文件内容 - with open(input_file_path, 'r', encoding='utf-8') as file: - for line in file: - line = line.strip() - # 如果行是分类标签行,则跳过 - if ",#genre#" in line: - continue - # 检查行是否包含IP或域名 - match = ip_or_domain_pattern.search(line) - if match: - # 提取匹配到的IP或域名 - matched_text = match.group(1) - # 去除IP或域名后的剩余部分,只保留匹配到的IP或域名 - ip_or_domain = matched_text.split('://')[-1].split('/')[0].split('::')[0] - # 将行添加到对应的IP或域名列表中 - if ip_or_domain not in ip_or_domain_to_lines: - ip_or_domain_to_lines[ip_or_domain] = [] - ip_or_domain_to_lines[ip_or_domain].append(line) - # 过滤掉小于5000字节的IP或域名段 - filtered_ip_or_domain_to_lines = {ip_or_domain: lines for ip_or_domain, lines in ip_or_domain_to_lines.items() - if sum(len(line) for line in lines) >= 2000} - # 如果没有满足条件的IP或域名段,则不生成文件 - if not filtered_ip_or_domain_to_lines: - print("没有满足条件的IP或域名段,不生成文件。") - return - # 合并所有满足条件的IP或域名的行到一个文件 - with open(output_file_name, 'w', encoding='utf-8') as output_file: - for ip_or_domain, lines in filtered_ip_or_domain_to_lines.items(): - # 写入IP或域名及其对应的行到输出文件 - output_file.write(f"{ip_or_domain},#genre#\n") - for line in lines: - output_file.write(line + '\n') - output_file.write('\n') # 在每个小段后添加一个空行作为分隔 -# 调用函数并传入文件路径和输出文件名 parse_file('网络收集.txt', '网络收集.txt') ################################################################################################任务结束,删除不必要的过程文件