利用DeepSeek编写调用系统命令用正则表达式替换文件中文本的程序

上文编写的程序效率较低，这主要是由于我自己的思路局限性，经张泽鹏先生指导，我知道了可以用Perl工具轻松又快捷地实现文本替换。
比如，将3/sheet1.xml中全部r=" "属性替换为空可以这么写

perl -i -p -e 's# r="[^"]+"##g' 3/sheet1.xml

我把这条语句告诉DeepSeek,他就编出了高效的程序，并且一次成功。

import os
import zipfile
import shutil
import subprocess
from pathlib import Pathdef process_sheet_xml(input_xlsx_path, output_base_dir):"""使用命令行工具处理xlsx文件中的sheet1.xml"""# 创建输出目录for i in range(3):os.makedirs(os.path.join(output_base_dir, str(i)), exist_ok=True)# 临时解压目录temp_dir = "temp_extract"os.makedirs(temp_dir, exist_ok=True)try:# 解压xlsx文件with zipfile.ZipFile(input_xlsx_path, 'r') as zip_ref:zip_ref.extractall(temp_dir)# 查找sheet1.xml文件sheet_path = find_sheet1_in_dir(temp_dir)if not sheet_path:print("未找到sheet1.xml文件")return# 复制原始文件到三个目录for i in range(3):target_path = os.path.join(output_base_dir, str(i), "sheet1.xml")shutil.copy2(sheet_path, target_path)print(f"版本 {i}: 已复制原始文件到 {target_path}")# 使用命令行工具处理三个版本process_with_commandline(output_base_dir)# 为每个版本创建新的xlsx文件create_new_xlsx_files(temp_dir, output_base_dir)finally:# 清理临时文件if os.path.exists(temp_dir):shutil.rmtree(temp_dir)def process_with_commandline(output_base_dir):"""使用命令行工具处理三个版本的sheet1.xml"""# 版本0: 无span, 无row的r, 无col的rprint("处理版本0: 移除所有spans、row的r、cell的r")run_command(f"perl -i -p -e 's# spans=\"[^\"]+\"##g' {output_base_dir}/0/sheet1.xml")run_command(f"perl -i -p -e 's# r=\"[^\"]+\"##g' {output_base_dir}/0/sheet1.xml")# 版本1: 有span, 无row的r, 无col的rprint("处理版本1: 移除row的r、cell的r，保留spans")run_command(f"perl -i -p -e 's#<row r=\"[^\"]+\"#<row#g' {output_base_dir}/1/sheet1.xml")run_command(f"perl -i -p -e 's#<c r=\"[^\"]+\"#<c#g' {output_base_dir}/1/sheet1.xml")# 版本2: 有span, 有row的r, 无col的rprint("处理版本2: 只移除cell的r，保留row的spans和r")run_command(f"perl -i -p -e 's#<c r=\"[^\"]+\"#<c#g' {output_base_dir}/2/sheet1.xml")def run_command(cmd):"""执行命令行命令"""try:print(f"执行命令: {cmd}")result = subprocess.run(cmd, shell=True, check=True, capture_output=True, text=True)if result.returncode == 0:print("命令执行成功")else:print(f"命令执行失败: {result.stderr}")except subprocess.CalledProcessError as e:print(f"命令执行错误: {e}")except FileNotFoundError:print("未找到perl命令，请确保Perl已安装")# 如果perl不可用，尝试使用sed（Linux/Mac）if 'perl' in cmd:sed_cmd = cmd.replace('perl -i -p -e', 'sed -i')print(f"尝试使用sed: {sed_cmd}")try:subprocess.run(sed_cmd, shell=True, check=True)except:print("sed命令也失败，请安装Perl或sed")def create_new_xlsx_files(temp_dir, output_base_dir):"""为每个版本创建新的xlsx文件，设置压缩级别为6"""for version in range(3):# 创建版本特定的临时目录version_temp_dir = os.path.join(output_base_dir, f"temp_version_{version}")if os.path.exists(version_temp_dir):shutil.rmtree(version_temp_dir)shutil.copytree(temp_dir, version_temp_dir)# 替换sheet1.xml文件modified_sheet_path = os.path.join(output_base_dir, str(version), "sheet1.xml")target_sheet_path = find_sheet1_in_dir(version_temp_dir)if target_sheet_path and os.path.exists(modified_sheet_path):# 替换为修改后的文件shutil.copy2(modified_sheet_path, target_sheet_path)print(f"版本 {version}: 已替换 {target_sheet_path}")# 创建新的xlsx文件output_xlsx = os.path.join(output_base_dir, f"wps{version}.xlsx")create_zip_from_directory(version_temp_dir, output_xlsx)print(f"版本 {version}: 已创建 {output_xlsx}")# 清理临时目录shutil.rmtree(version_temp_dir)def find_sheet1_in_dir(directory):"""在目录中查找sheet1.xml文件"""for root, dirs, files in os.walk(directory):for file in files:if file == "sheet1.xml":return os.path.join(root, file)return Nonedef create_zip_from_directory(directory, output_zip):"""将目录内容压缩为xlsx文件，设置压缩级别为6"""# 确保输出文件不存在if os.path.exists(output_zip):os.remove(output_zip)# 创建zip文件，设置压缩级别为6with zipfile.ZipFile(output_zip, 'w', zipfile.ZIP_DEFLATED, compresslevel=6) as zipf:for root, dirs, files in os.walk(directory):for file in files:file_path = os.path.join(root, file)# 计算在zip中的相对路径arcname = os.path.relpath(file_path, directory)zipf.write(file_path, arcname)def main():# 使用示例input_file = "4/wps_h0.xlsx"  # 替换为你的xlsx文件路径output_dir = "4"      # 输出目录# 确保输出目录存在os.makedirs(output_dir, exist_ok=True)process_sheet_xml(input_file, output_dir)print("处理完成！")print(f"生成的文件:")print(f"  wps0.xlsx - 无span, 无row的r, 无col的r")print(f"  wps1.xlsx - 有span, 无row的r, 无col的r")  print(f"  wps2.xlsx - 有span, 有row的r, 无col的r")print(f"文件保存在: {os.path.abspath(output_dir)}")if __name__ == "__main__":main()

执行结果如下

time python3 stripxml5.py
版本 0: 已复制原始文件到 4/0/sheet1.xml
版本 1: 已复制原始文件到 4/1/sheet1.xml
版本 2: 已复制原始文件到 4/2/sheet1.xml
处理版本0: 移除所有spans、row的r、cell的r
执行命令: perl -i -p -e 's# spans="[^"]+"##g' 4/0/sheet1.xml
命令执行成功
执行命令: perl -i -p -e 's# r="[^"]+"##g' 4/0/sheet1.xml
命令执行成功
处理版本1: 移除row的r、cell的r，保留spans
执行命令: perl -i -p -e 's#<row r="[^"]+"#<row#g' 4/1/sheet1.xml
命令执行成功
执行命令: perl -i -p -e 's#<c r="[^"]+"#<c#g' 4/1/sheet1.xml
命令执行成功
处理版本2: 只移除cell的r，保留row的spans和r
执行命令: perl -i -p -e 's#<c r="[^"]+"#<c#g' 4/2/sheet1.xml
命令执行成功
版本 0: 已替换 4/temp_version_0/xl/worksheets/sheet1.xml
版本 0: 已创建 4/wps0.xlsx
版本 1: 已替换 4/temp_version_1/xl/worksheets/sheet1.xml
版本 1: 已创建 4/wps1.xlsx
版本 2: 已替换 4/temp_version_2/xl/worksheets/sheet1.xml
版本 2: 已创建 4/wps2.xlsx
处理完成！
生成的文件:wps0.xlsx - 无span, 无row的r, 无col的rwps1.xlsx - 有span, 无row的r, 无col的rwps2.xlsx - 有span, 有row的r, 无col的r
文件保存在: /par/4real	1m46.348s
user	0m56.816s
sys	0m10.052sls -l 4/wps*xlsx
-rw-r--r-- 1 root root  91077587 Aug 21 16:00 4/wps0.xlsx
-rw-r--r-- 1 root root  91126367 Aug 21 16:01 4/wps1.xlsx
-rw-r--r-- 1 root root  91268239 Aug 21 16:01 4/wps2.xlsx
-rw-r--r-- 1 1000 1000 138414915 Aug 21 07:50 4/wps_h0.xlsx

这个程序效率比原始版本高出了几个数量级。
我也终于能测试上文二40万行256列的xlsx在duckdb中读写速度差异了，结论没变，去掉每列r=" "属性，增速20%。

D create or replace table t3a as from read_sheet('4/wps_h0.xlsx');Run Time (s): real 17.853 user 19.024000 sys 2.464000
D 
D create or replace table t4a as from read_sheet('4/wps0.xlsx');Run Time (s): real 14.674 user 12.272000 sys 2.404000
D 
D create or replace table t5a as from read_sheet('4/wps1.xlsx');Run Time (s): real 15.894 user 12.392000 sys 2.660000
D 
D create or replace table t6a as from read_sheet('4/wps2.xlsx');Run Time (s): real 15.023 user 12.484000 sys 2.500000D create or replace table t3 as from '4/wps_h0.xlsx';Run Time (s): real 11.397 user 22.544000 sys 0.144000
D 
D create or replace table t4 as from '4/wps0.xlsx';Run Time (s): real 8.839 user 17.400000 sys 0.236000
D 
D create or replace table t5 as from '4/wps1.xlsx';Run Time (s): real 8.716 user 17.320000 sys 0.108000
D 
D create or replace table t6 as from '4/wps2.xlsx';Run Time (s): real 8.732 user 17.340000 sys 0.120000