在Python中进行文本文件处理时，将原始文本中的单词逐行写入一个新文件是一项常见且基础的任务。这类操作经常出现在自然语言处理的数据准备阶段、词频统计、文本清洗以及构建自定义词典等场景中。实现这个需求的核心逻辑并不复杂，但需要清楚地理解文件读取、内容拆分、结果写入三个环节之间的数据流动。接下来围绕这些环节展开详细说明，并通过完整可运行的代码示例展示具体做法。
一、使用with语句安全读取源文件
读取源文件是整个任务的第一步。在Python中，打开文件最常用的方式是使用内置的open()函数。该函数至少需要文件路径和打开模式两个参数，其中"r"表示只读模式。虽然也可以直接调用open()后再手动调用close()关闭文件，但更推荐使用with语句来管理文件资源。使用with语句后，无论文件读取过程中是否发生异常，文件对象都会在代码块结束时自动关闭，从而避免资源泄漏和文件锁定问题。
在读取文本内容时，还需要格外注意文件编码。不同操作系统或不同文本编辑器保存的文件可能采用不同的编码方式，例如Windows环境下常见的是GBK编码，而Linux和现代文本工具更多使用UTF-8编码。如果在打开文件时不指定encoding参数，Python会使用系统默认编码，这在跨平台运行时容易导致UnicodeDecodeError乱码错误。因此，建议在读取源文件时显式指定编码，例如encoding="utf-8"。如果源文件确实是GBK编码，则应将参数改为encoding="gbk"。读取全部内容可以使用read()方法，它会把整个文件内容作为一个字符串返回，适合文件体积较小的场景。对于较大的文件，则更适合使用逐行读取的方式，这部分内容会在后文详细讨论。
二、利用正则表达式分割单词并完成逐行写入
获取到完整的文本内容之后，下一步就是从中提取出独立的单词。初学者往往会先想到使用字符串的split()方法，但split()默认只按空白字符进行拆分，无法处理紧跟在单词后面的标点符号。例如字符串"hello, world."使用split()后得到的是["hello,", "world."]，单词中仍然带有逗号和句号。虽然可以给split()传入多个分隔符，但处理复杂文本时会显得非常繁琐，而且容易产生空字符串。
相比之下，使用正则表达式是更灵活和可靠的方式。Python标准库中的re模块提供了findall()函数，它可以根据给定的模式返回所有不重叠的匹配结果。模式"w+"表示匹配一个或多个连续的字母、数字或下划线，这样就能自动忽略空格、换行和常见标点符号，从而得到干净的单词列表。得到单词列表后，只需要以写入模式打开目标文件，并遍历列表，把每个单词写入文件，同时在每个单词后面添加一个换行符"n"，即可实现每个单词占一行的效果。
下面给出一个完整可运行的示例代码，假设源文件名为source.txt，目标文件名为target.txt，两个文件都位于当前工作目录下。
import re
def split_words_to_file(source_path, target_path):
# 以只读模式打开源文件，并指定UTF-8编码
with open(source_path, "r", encoding="utf-8") as source_file:
content = source_file.read()
# 使用正则表达式匹配连续字母、数字和下划线，忽略标点符号
words = re.findall(r"w+", content)
# 以写入模式打开目标文件，若文件不存在会自动创建
with open(target_path, "w", encoding="utf-8") as target_file:
for word in words:
# 每个单词单独占一行，写入后添加换行符
target_file.write(word + "n")
print("单词逐行写入完成")
# 调用函数处理当前目录下的示例文件
split_words_to_file("source.txt", "target.txt")
在这段代码中，re.findall()返回一个列表，其中每个元素都是匹配到的单词字符串。使用"w"模式打开目标文件时，如果目标文件已经存在，其原有内容会被清空；如果文件不存在，则会自动创建新文件。遍历单词列表时，每次调用write()方法只写入一个单词和一个换行符，这样最终文件中的每一行就只包含一个单词。
三、处理边界情况与提升代码健壮性
在实际使用中，直接套用上面的基础代码可能会遇到一些边界问题。例如，如果源文件中包含大量空白字符或特殊符号，虽然正则表达式"w+"不会匹配空字符串，但某些自定义的拆分方式可能会产生空项。另外，文本中可能出现单个字母的单词、纯数字或者无意义的短符号，这些内容如果不需要写入目标文件，可以在遍历时增加过滤条件。例如只保留长度大于等于2的单词，这样能够减少噪声数据，提高后续处理的准确性。
当源文件体积很大时，一次性使用read()读取全部内容会占用大量内存，甚至可能导致程序运行缓慢或崩溃。针对这种情况，可以改用逐行读取的方式。使用for line in source_file可以按行迭代文件对象，每次只加载一行内容到内存中，处理完当前行后再读取下一行。同时，写入操作仍然保持在同一个目标文件对象上进行，这样既减少了内存压力，又不会影响最终结果。下面是一个逐行处理并过滤短单词的示例。
import re
with open("source.txt", "r", encoding="utf-8") as source_file:
with open("target.txt", "w", encoding="utf-8") as target_file:
for line in source_file:
# 逐行提取单词，避免一次性加载整个文件
words = re.findall(r"w+", line)
for word in words:
# 跳过长度小于2的单词，减少无意义内容
if len(word) >= 2:
target_file.write(word + "n")
此外，如果程序中需要处理多种不同编码的文件，建议在读取时加入异常捕获机制。例如使用try和except块捕获UnicodeDecodeError，当遇到编码不匹配的情况时给出明确提示，而不是直接让程序崩溃。这种防御性编程思路在实际项目中非常重要，可以显著提升代码的稳定性和可维护性。
四、扩展正则规则与自定义过滤条件
基础的正则表达式"w+"虽然能够满足大多数简单场景，但在某些应用中，单词的定义可能需要调整。例如英文文本中经常出现带连字符的复合词，如self-learning、state-of-the-art等。如果使用"w+"进行匹配，这些复合词会被拆分成多个独立片段。如果希望保留内部的连字符，可以将正则模式修改为"[A-Za-z0-9]+(?:-[A-Za-z0-9]+)*"。该模式先匹配一段字母或数字，随后允许出现零次或多次以连字符开头并继续匹配字母或数字的分组，这样就能把带连字符的复合词作为一个整体提取出来。
import re
# 匹配字母、数字以及内部连字符，例如 self-learning 会作为一个整体
pattern = r"[A-Za-z0-9]+(?:-[A-Za-z0-9]+)*"
with open("source.txt", "r", encoding="utf-8") as source_file:
content = source_file.read()
words = re.findall(pattern, content)
with open("target.txt", "w", encoding="utf-8") as target_file:
for word in words:
# 只保留长度大于等于3的单词
if len(word) >= 3:
target_file.write(word + "n")
除了调整正则表达式，还可以根据具体需求在遍历单词时加入更多过滤逻辑。例如可以建立一个停用词集合，跳过the、is、and等常见功能词；也可以统一将单词转换为小写后再写入文件，以便后续进行词频统计时不会因为大小写差异而重复计数。这些扩展操作都建立在基础的文件读取、正则分割和逐行写入流程之上，通过灵活组合不同的处理规则，可以满足各种文本预处理需求。
总体而言，使用Python将文本文件中的单词逐行写入新文件并不是一个复杂的问题，但它涵盖了文件操作、字符串处理、正则表达式和循环写入等多个基础知识点。掌握这些内容后，可以轻松扩展到更复杂的文本处理任务中，例如统计词频、构建词向量、生成词典文件等。在实际开发时，建议根据源文件的大小和具体业务需求选择合适的读取策略，并始终注意编码一致性和边界条件处理，这样才能写出高效、健壮的文本处理程序。