- 為什麼要關心 sub 和 subn？
在處理文件內容（例如 Word 的 document.xml）時，常需要「找到一段結構化內容並刪掉或替換」。Python 的 re 模組提供兩個替換工具：re.sub 與 re.subn。
它們都能改寫字串，但如果你還需要知道「到底替換了幾次？」或判斷「是否有命中」，re.subn 會更適合。這在清理 XML、刪除特定段落、統計替換數時特別有用。 - 基本差異一眼看懂
範例：
import re
s = "A1 B2 C3"
print(re.sub(r"\d", "#", s)) # A# B# C#
print(re.subn(r"\d", "#", s)) # ('A# B# C#', 3)3. 實戰場景：刪除 Word XML 中含目標內容的段落
假設我們從 DOCX 解壓得到 word/document.xml 裡的一段段落（<w:p>...</w:p>）：
xml = """<w:p w14:paraId="48292F68" w14:textId="11BAA91B" w:rsidR="000844DA" w:rsidRDefault="004B1354">
<w:r>
<w:rPr><w:rFonts w:hint="eastAsia"/></w:rPr>
<w:t>底下插入一個圖檔</w:t>
</w:r>
<w:r>
<w:rPr><w:rFonts w:hint="eastAsia"/></w:rPr>
<w:t>:</w:t>
</w:r>
</w:p>"""我們想把「第一個包含指定文字（例如 ‘底下插入一個圖檔’）」的段落整段移除。
3.1 使用 re.sub
import re
# xml = open("document.xml", "r", encoding="utf-8").read()
pattern = re.compile(r'<w:p[^>]*>.*?底下插入一個圖檔.*?</w:p>', flags = re.DOTALL)
"""
用位元 OR：|。例如同時忽略大小寫並讓 . 包含換行：
flags = re.DOTALL | re.IGNORECASE
支援的常見旗標：re.DOTALL / re.IGNORECASE / re.MULTILINE / re.VERBOSE / re.ASCII 等。
"""
new_xml = pattern.sub('', xml, count=1) # 只替換第一個
# 但此時不知道是否真的發生替換，還得自己比對前後差異輸出:
在 Python 的正則裡，. 預設匹配「除\n以外的任意單一字元」。
加上 re.DOTALL（別名 re.S）後，. 也會匹配換行 \n，等於跨行整塊吃。
補充一些細節與延伸：
預設行為
. 不匹配 \n（也不匹配某些極少見的未映射字元，但一般可忽略）。
在 Windows 文本裡換行是 \r\n，正則掃描時 Python 會逐字看：. 預設不匹配 \n，但會匹配 \r，所以如果你的文本是 \r\n 串，沒有 DOTALL 的情況下 . 可以吃到 \r 但在 \n 停住；這常導致看起來像「跨了一半」。
啟用 DOTALL (re.DOTALL / re.S)
. 變成「包含換行在內的任意字元」。
例如 re.findall(r’.+’, text) 在多行時，本來每行分開匹配；加 DOTALL 後可能整段一次匹配（取決於貪婪與錨點）。
與 re.MULTILINE 的差異
re.MULTILINE (re.M) 只影響 ^ 和 $ 的含義（行首/行尾），不改變 . 的匹配集合。
可以同時用：re.compile(pattern, re.DOTALL | re.MULTILINE)。
常見替代寫法（不想用 DOTALL 但要跨行）
使用字元類雙保險：[\s\S]、[\d\D]、[\w\W] 都「必定匹配任何字元」，包含換行。
例：re.findall(r’BEGIN([\s\S]*?)END’, text) 不需要 DOTALL。
好處：局部明確，不必對整個正則啟用全域旗標。
控制貪婪
跨行取內容時常配合懶惰量詞：.? 或 [\s\S]?；否則容易吃到最後一個結尾標記。
若用 . 而又開了 DOTALL，務必確認量詞（* / +）是否應該加 ?。
性能與可讀性
re.DOTALL 全域打開後每一個 . 都可能跨行，影響閱讀意圖；若只是某一段需要跨行，推薦用局部類 [\s\S]*?。
但在需要大量「任意字符」段落提取（例如大塊 XML/HTML 內部）時，直接使用 DOTALL 會更簡潔。
小心 CRLF 邊界
如果你有分行相關判斷（例如行數統計）先標準化換行：text = text.replace(‘\r\n’,’\n’) 再做模式匹配可以減少「. 吃到 \r」造成的微妙偏差。
總結選擇指南
只偶爾在某個子模式需要跨行：用 [\s\S]*?。
整個模式大量跨行段：用 re.DOTALL。
需要同時逐行錨點和跨行內容：re.DOTALL | re.MULTILINE。
3.2 使用 re.subn（更方便）
pattern = re.compile(r'<w:p[^>]*>.*?底下插入一個圖檔.*?</w:p>', re.DOTALL)
new_xml, n = pattern.subn('', xml, count=1)
if n:
print(f"刪除成功，替換了 {n} 個段落")
else:
print("沒找到目標段落")輸出:
n 就是替換次數（0 或 1），不需再手動比較 xml != new_xml。
- 參數說明：count 的角色
count=0（預設）代表不限制，替換所有匹配。
count=1 限制只處理第一個匹配，常用於「只刪一個」的情境。
與 sub / subn 共通，行為一致。
示例：
# 刪除所有符合的段落（危險，可能過度）
new_xml_all = pattern.sub('', xml) # = count=0
# 只刪第一個（安全）
new_xml_one, n1 = pattern.subn('', xml, count=1)- 為什麼不直接用 sub 然後比較？
你可以這樣做：
new_xml = pattern.sub('', xml, count=1)
removed = (new_xml != xml)但這種方式：
需要進行一次整體字串比較（大文件時多餘）。
無法直接知道替換幾次（若 count=0 且多段落命中時會不清楚數量）。
subn 已經在執行替換的同一迴圈記錄次數，無額外效能負擔，因此更直覺。
- 正則拆解（本例）
模式：]>.?底下插入一個圖檔.*?
片段說明：
]>：匹配段落起始標籤與屬性（不跨過 >）。 .?底下插入一個圖檔.*?：在該段落內容中非貪婪尋找文字。
：段落結束。
re.DOTALL：讓 . 包含換行。
改良建議：若怕誤吃過多內容，可精簡為：
r'<w:p\b[^>]*>[\s\S]*?底下插入一個圖檔[\s\S]*?</w:p>'用 [\s\S] 避免過度依賴 DOTALL，同時更明確跨行。
[\s\S] 是一個字符類，裡面同時包含：
\s：所有「空白字元」(whitespace)（空格、tab、換行、垂直製表、Form Feed 等）
\S：所有「非空白字元」
因為一個字元要嘛是空白，要嘛不是空白，所以把 \s 和 \S 放在同一個字符類裏面就等於「匹配任何單一字元」，包含換行 \n。這是實務上常用的「不開 DOTALL 但仍想跨行」的技巧。
常見用法：
任意多字元（含換行）最小匹配：
[\s\S]? 任意多字元（含換行）貪婪匹配： [\s\S]
取兩個標記中間所有內容（跨行）：
BEGIN([\s\S]*?)END
為什麼不用 . 而用它？
預設 . 不匹配 \n；加 re.DOTALL 可以，但會讓整個模式中所有 . 都跨行，有時過度寬鬆。
用 [\s\S] 只在需要的位置顯式寫「包含換行的任意字元」，控制範圍更精準。
替代寫法（效果一樣）：
[\d\D]
[\w\W]
它們都是「一組 + 其補集」的形式，結果仍是所有字元；[\s\S] 最語意清晰。
- 常見陷阱與風險
- XML 解析替代方案（更精準）
使用 lxml：
from lxml import etree
tree = etree.fromstring(xml.encode('utf-8'))
ns = {'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}
for p in tree.xpath('//w:p', namespaces=ns):
# 將段落序列化成字串判斷是否含關鍵文字
frag = etree.tostring(p, encoding='unicode')
if '底下插入一個圖檔' in frag:
parent = p.getparent()
parent.remove(p)
break
new_xml = etree.tostring(tree, encoding='unicode')
#XMLSyntaxError: Namespace prefix w14 for paraId on p is not defined, line 1, column 94
"""
錯誤的核心原因：丟給 etree.fromstring 的片段裡有屬性或元素使用前綴 w14:（例如 w14:paraId），但片段本身沒有宣告 xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml"。XML 解析器看到前綴卻不知道它代表哪個命名空間，就報 Namespace prefix w14 ... is not defined.
"""
#補齊命名空間宣告:
from lxml import etree
xml_fragment = '''
<w:p xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"
xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml"
w14:paraId="12345678" w14:textId="ABCDEF12">
<w:r><w:t>Hello</w:t></w:r>
</w:p>
'''
node = etree.fromstring(xml_fragment)
print(node.tag) # {http://schemas.openxmlformats.org/wordprocessingml/2006/main}p
print(node.attrib.keys()) # dict_keys(['{http://schemas.microsoft.com/office/word/2010/wordml}paraId', '{http://schemas.microsoft.com/office/word/2010/wordml}textId'])優點：不會誤跨段落，語義正確。缺點：需解析樹。
9. 何時選擇 sub vs subn
加強版範例（列印狀態＋後續清理條件）
pattern = re.compile(r'<w:p[^>]*>[\s\S]*?底下插入一個圖檔[\s\S]*?</w:p>')
new_xml, n = pattern.subn('', xml, count=1)
if n:
print("刪除段落成功，準備檢查是否也要移除圖片資源...")
# TODO: 移除 image rId / relationship / media 檔案
else:
print("未找到該段落，無需後續清理。")- 效能簡述
小文件：差異可忽略。
大文件（MB 級 XML）：subn 不比 sub 慢；反而避免了手動比對字串是否改變的額外操作。
正則複雜度決定主要成本；是否取回次數只是多一個整數記錄。 - 最終建議與心智模型
把 subn 視為 “sub + 命中次數”。
有決策分支（例如：命中才刪圖片 / 更新索引）就用 subn。
不確定是否命中且不想做字串比較 → subn。
需要更安全的 XML 節點級刪除 → 改用解析器。
要批次清理多類型資源 → 先解析 relationships → 搭配多次替換。 - 一句話總結
re.sub 只是替換；re.subn 在替換的同時告訴你“到底改了幾次”，對文件清理、條件後處理特別實用。用在刪除 Word XML 的 段落示例裡，它讓你立即知道是否成功刪掉目標段落，而不必再手動比對原始與結果。
推薦hahow線上學習python: https://igrape.net/30afN
![一文搞懂Python pandas.DataFrame去重：df.drop_duplicates() 與 df[~df.duplicated()] 的等價、差異與最佳實踐](https://i2.wp.com/savingking.com.tw/wp-content/uploads/2025/08/20250808202701_0_66f9bc.png?quality=90&zoom=2&ssl=1&resize=350%2C233 "一文搞懂Python pandas.DataFrame去重：df.drop_duplicates() 與 df[~df.duplicated()] 的等價、差異與最佳實踐")
近期留言