def mergeTxt(txtFiles): with open('result.txt', 'w') as fp:

时间: 2024-09-28 15:03:11 浏览: 40
要定义一个名为`mergeTxt`的函数来合并多个文本文件的内容到一个新的文件`result.txt`,你可以使用Python的`open()`函数以追加模式打开`result.txt`,然后遍历传入的文本文件列表,逐行读取并写入新文件。这里有两个不同的方法来实现这个功能: 1. 使用`readlines()`方法(逐行读取)[^1]: ```python def mergeTxt(txtFiles): with open('result.txt', 'a') as fp: # 追加模式 for file_name in txtFiles: with open(file_name, 'r') as f: lines = f.readlines() for line in lines: fp.write(line) fp.write('\n') # 每行之后添加换行符以保持原样 # 调用函数,如需合并多个文件,可以传递文件名列表 txtFiles = ['file1.txt', 'file2.txt'] mergeTxt(txtFiles) ``` 2. 或者使用`readline()`方法(按行读取): ```python def mergeTxt(txtFiles): with open('result.txt', 'a') as fp: for file_name in txtFiles: with open(file_name, 'r') as f: while True: line = f.readline() if not line: break fp.write(line) fp.write('\n') # 同样,调用函数时传递文件名列表 txtFiles = ['file1.txt', 'file2.txt'] mergeTxt(txtFiles) ```
阅读全文

相关推荐

import re import os import json masscan_path = "D:/0.脚本小子/Tools/masscan/masscan.exe" masscan_parser_path = "../Tools/Masscan-to-CSV/masscan_xml_parser.py" nmap_parser_path = "../Tools/Nmap-Scan-to-CSV/nmap_xml_parser.py" port_list_path = "./dict/ports-http-iamthefrogy.txt" port_list_fp = open(port_list_path, "r") port_list = port_list_fp.readline().strip() port_list_fp.close() # 判断IP是否符合规范 def check_ip(data): ip_pattern = re.compile(r'((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2})(\.((2(5[0 - 5] | [0 - 4]\d)) | [0 - 1]?\d{1, 2})){3}') result = ip_pattern.match(data) if result is None: return None else: return result.group(0) def filter_ip(): ip_filepath = "./result/ip.txt" # IP数据保存路径 ip_fp = open(ip_filepath, 'r') ip_list = ip_fp.readlines() ip_fp.close() ip_fp = open(ip_filepath, 'w') for ip in ip_list: ip = check_ip(ip) if ip is not None: ip_fp.write(ip + '\n') ip_fp.close() # NMap: csv -> json,提取IP和端口的映射 def read_nmap(data_name): ip2port = {} for item in open("./result/nmap/" + data_name + '.csv'): if item.count(',') > 5: ip = item.strip().split(',')[0] port = item.strip().split(',')[4] if ip != "IP": if ip in ip2port.keys(): ip2port[ip].append(port) else: ip2port[ip] = [port] with open("./result/nmap/" + data_name + '.json', "w") as json_fp: json.dump(ip2port, json_fp) # 执行nmap命令将数据保存为xml与csv格式 def nmap(save_name, need_scan=True): if need_scan: cmd = "nmap -Pn -p {} -oX {} -iL {}".format(port_list, "./result/nmap/" + save_name + ".xml", "./result/ip.txt") os.system(cmd) cmd = "python3 {} -f {} -csv {}".format( nmap_parser_path, "./result/nmap/" + save_name + ".xml", "./result/nmap/" + save_name + ".csv" ) os.system(cmd) read_nmap(save_name) # Masscan: csv -> json,提取IP和端口的映射 def read_masscan(data_name): ip2port = {} for item in open("./result/masscan/" + data_name + '.csv'): if item.count(',') > 5: ip = item.strip().split(',')[0] port = item.strip().split(',')[3] if ip != "IpAddr": if ip in ip2port.keys(): ip2port[ip].append(port) else: ip2port[ip] = [port] with open("./result/masscan/" + data_name + '.json', "w") as json_fp: json.dump(ip2port, json_fp) # 执行masscan命令将数据保存为xml与csv格式 def masscan(save_name, need_scan=True): if need_scan: cmd = "{} -iL {} -Pn -p {} -oX {}".format( masscan_path, "./result/ip.txt", port_list, "./result/masscan/" + save_name + ".xml" ) os.system(cmd) cmd = "python3 {} -f {} -csv {}".format( masscan_parser_path, "./result/masscan/" + save_name + ".xml", "./result/masscan/" + save_name + ".csv" ) os.system(cmd) read_masscan(save_name) # 端口探测主函数 def search_port(conf, filename): filter_ip() if conf['use_nmap']: nmap(filename) if conf['use_masscan']: masscan(filename) if __name__ == '__main__': filter_ip() fp = open("./config.json", "r", encoding="utf-8") conf_json = json.load(fp) config = conf_json['ports'] search_port(config, '2023_1_8')

import time from PIL import Image import pytesseract import requests headers = { "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.3 Safari/605.1.15" } image_url = 'https://passport.tuniu.com/ajax/captcha/v/1686143661230.3367' # 下载验证码图片 session = requests.Session() # 使用session是为了保证验证码的请求和登陆请求信息一致 for i in range(10): r = session.get(image_url, headers=headers) with open('images/code' + str(i) + '.jpg', 'wb') as fp: fp.write(r.content) time.sleep(1) print('下载完成第' + str(i) + '张!') # 依次识别并保存到文件中 # 进行二值处理 def erzhihua(image, threshold): ''':type image:Image.Image''' image = image.convert('L') table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) return image.point(table, '1') # 对刚才保存的10张图片进行识别 for i in range(10): im = Image.open('images/code' + str(i) + '.jpg') im = im.convert('L') im = erzhihua(im, 127) im.show() result = pytesseract.image_to_string(im, lang='eng') print(result),这段代码报了这样的错误,Traceback (most recent call last): File "C:\Users\鲸阿丫丫\Desktop\鍥剧墖楠岃瘉淇℃伅\鐖彇鍥剧墖楠岃瘉淇℃伅.py", line 36, in <module> im = Image.open('images/code' + str(i) + '.jpg') File "D:\download\andconda\lib\site-packages\PIL\Image.py", line 3030, in open raise UnidentifiedImageError( PIL.UnidentifiedImageError: cannot identify image file 'images/code0.jpg'

#创建一个dataset类。 import os import pandas as pd from torchvision.io import read_image from torch.utils.data import Dataset from torch.utils.data import DataLoader import chardet with open(r'C:\Users\WXF\data\cifar10\cifar-10-batches-py\batches.meta', 'rb') as fp: result = chardet.detect(fp.read()) print(result) class CustomImageDataset(Dataset): def __init__(self, annotations_file, img_dir, transform=None, target_transform=None): #self.img_labels = pd.read_csv(annotations_file, sep=' ', header=None, encoding=result['encoding']) self.img_labels = pd.read_csv(annotations_file, sep=';', header=None, encoding=result['encoding']) self.img_labels[0] = self.img_labels[0].astype(str).str.cat(sep=' ') # 合并第一列为完整文件名 self.img_dir = img_dir self.transform = transform self.target_transform = target_transform def __len__(self): return len(self.img_labels) def __getitem__(self, idx): img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0]) image = read_image(img_path) label = self.img_labels.iloc[idx, 1] if self.transform: image = self.transform(image) if self.target_transform: label = self.target_transform(label) return image, label train_dataset = CustomImageDataset(annotations_file=r'C:\Users\WXF\data\cifar10\cifar-10-batches-py\batches.meta', img_dir = r'C:\Users\WXF\data\cifar10\cifar-10-batches-py\data_batch_1',transform=None, target_transform=None) test_dataset = CustomImageDataset(annotations_file=r'C:\Users\WXF\data\cifar10\cifar-10-batches-py\batches.meta', img_dir = r'C:\Users\WXF\data\cifar10\cifar-10-batches-py\test_batch',transform=None, target_transform=None) train_features, train_labels = next(iter(train_dataloader)) print(f"Feature batch shape: {train_features.size()}") print(f"Labels batch shape: {train_labels.size()}") img = train_features[0].squeeze() label = train_labels[0] plt.imshow(img, cmap="gray") plt.show() print(f"Label: {label}")

from tkinter import * from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator, TextConverter from pdfminer.layout import LAParams, LTTextBoxHorizontal from pdfminer.pdfpage import PDFPage class PDFViewer: def init(self, master): self.master = master master.title("PDF Viewer") # 创建文本框和滚动条 self.text = Text(master) self.scrollbar = Scrollbar(master, command=self.text.yview) self.text.configure(yscrollcommand=self.scrollbar.set) self.text.pack(side=LEFT, fill=BOTH, expand=True) self.scrollbar.pack(side=RIGHT, fill=Y) # 打开 PDF 文件 fp = open('x1/2023凯程333教育综合应试解析-外国教育史(OCR).pdf', 'rb') # 创建 PDF 解析器 parser = PDFParser(fp) # 创建 PDF 文档对象 document = PDFDocument(parser) # 获取页面布局参数 laparams = LAParams() # 创建 PDF 资源管理器 rsrcmgr = PDFResourceManager() # 创建聚合器对象 device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建 PDF 解释器 interpreter = PDFPageInterpreter(rsrcmgr, device) # 处理每一页 PDF 页面 for page in PDFPage.create_pages(document): interpreter.process_page(page) # 获取页面布局 layout = device.get_result() # 提取每一页的文本内容 for x in layout: if isinstance(x, LTTextBoxHorizontal): text = x.get_text().strip() self.text.insert(END, text + '\n') # 关闭 PDF 文件 fp.close() root = Tk() pdf_viewer = PDFViewer(root) root.mainloop()上述文本框添加保存到本地功能

from tkinter import * from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator, TextConverter from pdfminer.layout import LAParams, LTTextBoxHorizontal from pdfminer.pdfpage import PDFPage class PDFViewer: def init(self, master): self.master = master master.title("PDF Viewer") # 创建文本框和滚动条 self.text = Text(master) self.scrollbar = Scrollbar(master, command=self.text.yview) self.text.configure(yscrollcommand=self.scrollbar.set) self.text.pack(side=LEFT, fill=BOTH, expand=True) self.scrollbar.pack(side=RIGHT, fill=Y) # 打开 PDF 文件 fp = open('x1/2023凯程333教育综合应试解析-外国教育史(OCR).pdf', 'rb') # 创建 PDF 解析器 parser = PDFParser(fp) # 创建 PDF 文档对象 document = PDFDocument(parser) # 获取页面布局参数 laparams = LAParams() # 创建 PDF 资源管理器 rsrcmgr = PDFResourceManager() # 创建聚合器对象 device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建 PDF 解释器 interpreter = PDFPageInterpreter(rsrcmgr, device) # 处理每一页 PDF 页面 for page in PDFPage.create_pages(document): interpreter.process_page(page) # 获取页面布局 layout = device.get_result() # 提取每一页的文本内容 for x in layout: if isinstance(x, LTTextBoxHorizontal): text = x.get_text().strip() self.text.insert(END, text + '\n') # 关闭 PDF 文件 fp.close() root = Tk() pdf_viewer = PDFViewer(root) root.mainloop()上述文本框添加保存到本地功能的完整代码

最新推荐

recommend-type

python实现pdf转换成word/txt纯文本文件

with open(r'test.doc', 'a', encoding='utf-8') as f: f.write(x.get_text()) # 将文本内容写入doc文件 ``` 这个函数首先打开PDF文件,创建解析器和文档对象,并进行初始化。然后,它会检查文档是否允许提取文本...
recommend-type

Python基于百度AI实现OCR文字识别

with open(filePath, 'rb') as fp: return fp.read() image = get_file_content('example.jpg') result = client.basicGeneral(image) ``` `basicGeneral`方法是用于通用文字识别的,它会尝试识别图片中的所有...
recommend-type

Python使用百度api做人脸对比的方法

with open(filePath, 'rb') as fp: return fp.read() ``` 6. **调用`match`接口**:使用`client.match`方法,传入包含多个图片二进制数据的列表,API会自动对比这些图片中的人脸。返回的结果是一个JSON对象,包含...
recommend-type

Python调用百度OCR实现图片文字识别的示例代码

with open(filePath, 'rb') as fp: return fp.read() # 定义参数变量 options = { 'detect_direction': 'true', # 检测文字方向 'language_type': 'CHN_ENG', # 识别中文和英文 } # 调用通用文字识别接口 ...
recommend-type

教师节主题班会.pptx

教师节主题班会.pptx
recommend-type

正整数数组验证库:确保值符合正整数规则

资源摘要信息:"validate.io-positive-integer-array是一个JavaScript库,用于验证一个值是否为正整数数组。该库可以通过npm包管理器进行安装,并且提供了在浏览器中使用的方案。" 该知识点主要涉及到以下几个方面: 1. JavaScript库的使用:validate.io-positive-integer-array是一个专门用于验证数据的JavaScript库,这是JavaScript编程中常见的应用场景。在JavaScript中,库是一个封装好的功能集合,可以很方便地在项目中使用。通过使用这些库,开发者可以节省大量的时间,不必从头开始编写相同的代码。 2. npm包管理器:npm是Node.js的包管理器,用于安装和管理项目依赖。validate.io-positive-integer-array可以通过npm命令"npm install validate.io-positive-integer-array"进行安装,非常方便快捷。这是现代JavaScript开发的重要工具,可以帮助开发者管理和维护项目中的依赖。 3. 浏览器端的使用:validate.io-positive-integer-array提供了在浏览器端使用的方案,这意味着开发者可以在前端项目中直接使用这个库。这使得在浏览器端进行数据验证变得更加方便。 4. 验证正整数数组:validate.io-positive-integer-array的主要功能是验证一个值是否为正整数数组。这是一个在数据处理中常见的需求,特别是在表单验证和数据清洗过程中。通过这个库,开发者可以轻松地进行这类验证,提高数据处理的效率和准确性。 5. 使用方法:validate.io-positive-integer-array提供了简单的使用方法。开发者只需要引入库,然后调用isValid函数并传入需要验证的值即可。返回的结果是一个布尔值,表示输入的值是否为正整数数组。这种简单的API设计使得库的使用变得非常容易上手。 6. 特殊情况处理:validate.io-positive-integer-array还考虑了特殊情况的处理,例如空数组。对于空数组,库会返回false,这帮助开发者避免在数据处理过程中出现错误。 总结来说,validate.io-positive-integer-array是一个功能实用、使用方便的JavaScript库,可以大大简化在JavaScript项目中进行正整数数组验证的工作。通过学习和使用这个库,开发者可以更加高效和准确地处理数据验证问题。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【损失函数与随机梯度下降】:探索学习率对损失函数的影响,实现高效模型训练

![【损失函数与随机梯度下降】:探索学习率对损失函数的影响,实现高效模型训练](https://img-blog.csdnimg.cn/20210619170251934.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc4MDA1,size_16,color_FFFFFF,t_70) # 1. 损失函数与随机梯度下降基础 在机器学习中,损失函数和随机梯度下降(SGD)是核心概念,它们共同决定着模型的训练过程和效果。本
recommend-type

在ADS软件中,如何选择并优化低噪声放大器的直流工作点以实现最佳性能?

在使用ADS软件进行低噪声放大器设计时,选择和优化直流工作点是至关重要的步骤,它直接关系到放大器的稳定性和性能指标。为了帮助你更有效地进行这一过程,推荐参考《ADS软件设计低噪声放大器:直流工作点选择与仿真技巧》,这将为你提供实用的设计技巧和优化方法。 参考资源链接:[ADS软件设计低噪声放大器:直流工作点选择与仿真技巧](https://wenku.csdn.net/doc/9867xzg0gw?spm=1055.2569.3001.10343) 直流工作点的选择应基于晶体管的直流特性,如I-V曲线,确保工作点处于晶体管的最佳线性区域内。在ADS中,你首先需要建立一个包含晶体管和偏置网络
recommend-type

系统移植工具集:镜像、工具链及其他必备软件包

资源摘要信息:"系统移植文件包通常包含了操作系统的核心映像、编译和开发所需的工具链以及其他辅助工具,这些组件共同作用,使得开发者能够在新的硬件平台上部署和运行操作系统。" 系统移植文件包是软件开发和嵌入式系统设计中的一个重要概念。在进行系统移植时,开发者需要将操作系统从一个硬件平台转移到另一个硬件平台。这个过程不仅需要操作系统的系统镜像,还需要一系列工具来辅助整个移植过程。下面将详细说明标题和描述中提到的知识点。 **系统镜像** 系统镜像是操作系统的核心部分,它包含了操作系统启动、运行所需的所有必要文件和配置。在系统移植的语境中,系统镜像通常是指操作系统安装在特定硬件平台上的完整副本。例如,Linux系统镜像通常包含了内核(kernel)、系统库、应用程序、配置文件等。当进行系统移植时,开发者需要获取到适合目标硬件平台的系统镜像。 **工具链** 工具链是系统移植中的关键部分,它包括了一系列用于编译、链接和构建代码的工具。通常,工具链包括编译器(如GCC)、链接器、库文件和调试器等。在移植过程中,开发者使用工具链将源代码编译成适合新硬件平台的机器代码。例如,如果原平台使用ARM架构,而目标平台使用x86架构,则需要重新编译源代码,生成可以在x86平台上运行的二进制文件。 **其他工具** 除了系统镜像和工具链,系统移植文件包还可能包括其他辅助工具。这些工具可能包括: - 启动加载程序(Bootloader):负责初始化硬件设备,加载操作系统。 - 驱动程序:使得操作系统能够识别和管理硬件资源,如硬盘、显卡、网络适配器等。 - 配置工具:用于配置操作系统在新硬件上的运行参数。 - 系统测试工具:用于检测和验证移植后的操作系统是否能够正常运行。 **文件包** 文件包通常是指所有这些组件打包在一起的集合。这些文件可能以压缩包的形式存在,方便下载、存储和传输。文件包的名称列表中可能包含如下内容: - 操作系统特定版本的镜像文件。 - 工具链相关的可执行程序、库文件和配置文件。 - 启动加载程序的二进制代码。 - 驱动程序包。 - 配置和部署脚本。 - 文档说明,包括移植指南、版本说明和API文档等。 在进行系统移植时,开发者首先需要下载对应的文件包,解压后按照文档中的指导进行操作。在整个过程中,开发者需要具备一定的硬件知识和软件开发经验,以确保操作系统能够在新的硬件上正确安装和运行。 总结来说,系统移植文件包是将操作系统和相关工具打包在一起,以便于开发者能够在新硬件平台上进行系统部署。了解和掌握这些组件的使用方法和作用是进行系统移植工作的重要基础。