好消息，好消息！修改文件的斩月刀——subinfile命令，近期又更新了呢！欢迎大家及时更新（ssc install subinfile ,replace）。在往期推文中，我们也多次介绍过subinfile命令，该命令可以替换、保留、删除文本文件中的内容，常用于网页源代码的处理。本次主要对5项内容进行了更新，分别是：

第一，from()…to()选项由原来的只可替换单个字符串变为可以替换多个字符串，当然也可以是正则表达式。

第二，增加append选项可以将多次修改的内容放在同一个文本文件中。

第三，将原来的选项dropempty修改为dropblank，表示删除文本文件中多余的空行。

第四，增加选项drop()，用来删除带有某些特征的行，另外，该选项与dropreg结合，可以与正则表达式一起使用。

第五，增加order()选项，可以对选项index()、drop()、from()、dropblank的顺序进行调整，默认情况下顺序依次为：index()、drop()、from()、dropblank。下面先以help文件中的例子给大家介绍其详细用法。

首先，生成一个临时文件temp.txt，输入如下命令：

clear

tempname temp

file open `temp' using D:\temp.txt, write text replace

file write `temp' "stata" "爬虫俱乐部" _n

file write `temp' "abcdefg" "爬虫技术" _n

file write `temp' _n

file write `temp' "123456789" "number 1"

file close `temp'

type D:\temp.txt

显示文件temp.txt内容如下所示：

接着，我们用到命令subinfile对文本文件temp.txt做一些修改，如下所示：

1.替换

subinfile D:\temp.txt, index("stata") save(D:\temp1.txt) replace  //定位到含有“stata”的行，并保存为temp1.txt

subinfile D:\temp1.txt, from("stata" "爬虫俱乐部") to("STATA" "Stata Club") save(D:\temp2.txt) replace  //将temp1.txt中的字符串"stata" 和"爬虫俱乐部"分别替换为"STATA" 和"Stata Club"

type D:\temp2.txt

结果如下：

2.合并

subinfile D:\temp.txt, index("[0-9]") indexregex save(D:\temp3.txt) replace  //定位到含有数字的行保存为temp3.txt

type D:\temp3.txt

subinfile D:\temp3.txt, from("[0-9]{2,}") to("alphabetic") fromregex save(D:\temp2.txt) append  //将temp3.txt中的至少含有2个数字组合的替换为"alphabetic"，并将替换后的内容合并到文件temp2.txt中。

type D:\temp2.txt

结果如下：

 3.删除空行

subinfile D:\temp.txt, dropblank save(D:\temp4.txt) replace  //删除temp.txt中的空行，结果保存为temp4.txt。

type D:\temp4.txt

结果如下：

 4.删除文本内容

subinfile D:\temp4.txt, drop("[0-9]+") dropregex save(D:\temp5.txt) replace  //删除文件temp4.txt中含有数字的行。

type D:\temp5.txt

结果如下：

5.选项排序

subinfile D:\temp.txt, index("[a-z]") indexregex drop("stata") from("[a-z]") to("X") fromregex save("D:\temp6.txt") replace  //先定位到含有小写字母的行，然后删除含有stata的行，最后将所有的小写字母都换成X。

type D:\temp6.txt

结果如下：

subinfile D:\temp.txt, index("[a-z]") indexregex drop("stata") from("[a-z]") to("X") fromregex order(index from drop) save("D:\temp7.txt") replace  //更改上面程序选项顺序为先定位再替换最后删除。

type D:\temp7.txt

结果如下：

以上就是命令suninfile更新后，各个选项的用法。

下面我们以抓取波士顿大学经济学院一个stata学习网站上为例，介绍subinfile命令在处理源代码时，如何实现它的强大之处。在这个网页（https://ideas.repec.org/s/boc/bocode.html）中，我们想要提取每篇文章的编号、文章题目和作者，打开网页源代码：

发现网页中除了我们想要的编号、文章题目和作者之外，还有其他的不重要的信息，一般情况下，我们会将源代码导入Stata，然后用正则表达式或字符串函数进行处理，最终得到目标信息，并整合成我们需要的格式。而subinfile 命令只需要一行命令，就能把网页源代码处理成为我们最终想要的结果，它是如何做到的呢？具体来看，输入命令：

copy "https://ideas.repec.org/s/boc/bocode.html" "D:\temp8.txt", replace

subinfile D:\temp8.txt, index(`"<LI class=""') from("(<A HREF=.*?>)|(</A></B><BR><I>)" "<.*?>")   fromregex to("!@#$%^&*()_+" "") replace  

import delimited using D:\temp8.txt, clear delimiter("!@#$%^&*()_+", asstring)

br

命令行注释：

首 先将源代码copy到文档"D:\temp8.txt中；然后定位到含有公共标签"<LI class=""的行，将“<A HREF=.*?>”或者“</A></B><BR><I>”替换为一个唯一识别的字符 串"!@#$%^&*()_+"，方便下一步读入的时候进行分列，同时也将尖括号中的内容替换为空；最后用到import dlimited命令将处理好的网页源代码读入Stata。

可以看到，用subinfile这支利器，只需一行命令就帮助我们从密密麻麻的网页源代码中提取到我们所需要的信息，有木有涨知识呢！