亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

詳解Python中的文本處理

系統(tǒng) 1522 0

字符串 -- 不可改變的序列

如同大多數(shù)高級編程語言一樣,變長字符串是 Python 中的基本類型。Python 在“后臺”分配內(nèi)存以保存字符串(或其它值),程序員不必為此操心。Python 還有一些其它高級語言沒有的字符串處理功能。

在 Python 中,字符串是“不可改變的序列”。盡管不能“按位置”修改字符串(如字節(jié)組),但程序可以引用字符串的元素或子序列,就象使用任何序列一樣。Python 使用靈活的“分片”操作來引用子序列,字符片段的格式類似于電子表格中一定范圍的行或列。以下交互式會話說明了字符串和字符片段的的用法:
字符串和分片

            
>>> s = 
    "mary had a little lamb"
>>> s[0] 
    # index is zero-based

    'm'
>>> s[3] = 
    'x' 
    # changing element in-place fails
Traceback (innermost last):
 File 
    "
            
              ", line 1, 
    in
     ?
TypeError: object doesn't support item assignment
>>> s[11:18] 
    # 'slice' a subsequence

    'little '
>>> s[:4] 
    # empty slice-begin assumes zero

    'mary'
>>> s[4] 
    # index 4 is not included in slice [:4]

    ' '
>>> s[5:-5] 
    # can use "from end" index with negatives

    'had a little'
>>> s[:5]+s[5:] 
    # slice-begin & slice-end are complimentary

    'mary had a little lamb'


            
          

另一個功能強大的字符串操作就是簡單的 in 關(guān)鍵字。它提供了兩個直觀有效的構(gòu)造:
in 關(guān)鍵字

            
>>> s = 
    "mary had a little lamb"
>>> 
    for
     c 
    in
     s[11:18]: 
    print
     c, 
    # print each char in slice
...
l i t t l e
>>> 
    if
    'x' 
    in
     s: 
    print
    'got x' 
    # test for char occurrence
...
>>> 
    if
    'y' 
    in
     s: 
    print
    'got y' 
    # test for char occurrence
...
got y


          

在 Python 中,有幾種方法可以構(gòu)成字符串文字。可以使用單引號或雙引號,只要左引號和右引號匹配,常用的還有其它引號的變化形式。如果字符串包含換行符或嵌入引號,三重引號可以很方便地定義這樣的字符串,如下例所示:
三重引號的使用

            
>>> s2 = 
    """Mary had a little lamb
... its fleece was white as snow
... and everywhere that Mary went
... the lamb was sure to go"""
>>> 
    print
     s2
Mary had a little lamb
its fleece was white as snow
    and
     everywhere that Mary went
the lamb was sure to go


          

使用單引號或三重引號的字符串前面可以加一個字母 "r" 以表示 Python 不應(yīng)該解釋規(guī)則表達式特殊字符。例如:
使用 "r-strings"

            
>>> s3 = 
    "this \n and \n that"
>>> 
    print
     s3
this
    and

    that
>>> s4 = r
    "this \n and \n that"
>>> 
    print
     s4
this \n 
    and
     \n that


          

在 "r-strings" 中,可能另外組成換碼符的反斜杠被當作是常規(guī)反斜杠。在以后的規(guī)則表達式討論中會進一步說明這個話題。

文件和字符串變量

我們談到“文本處理”時,我們通常是指處理的內(nèi)容。Python 將文本文件的內(nèi)容讀入可以操作的字符串變量非常容易。文件對象提供了三個“讀”方法: .read()、.readline() 和 .readlines()。每種方法可以接受一個變量以限制每次讀取的數(shù)據(jù)量,但它們通常不使用變量。 .read() 每次讀取整個文件,它通常用于將文件內(nèi)容放到一個字符串變量中。然而 .read() 生成文件內(nèi)容最直接的字符串表示,但對于連續(xù)的面向行的處理,它卻是不必要的,并且如果文件大于可用內(nèi)存,則不可能實現(xiàn)這種處理。

.readline() 和 .readlines() 非常相似。它們都在類似于以下的結(jié)構(gòu)中使用:
Python .readlines() 示例

            
    fh = open(
    'c:\\autoexec.bat')
    for
     line 
    in
     fh.readlines():
 
    print
     line


          

.readline() 和 .readlines() 之間的差異是后者一次讀取整個文件,象 .read() 一樣。.readlines() 自動將文件內(nèi)容分析成一個行的列表,該列表可以由 Python 的 for ... in ... 結(jié)構(gòu)進行處理。另一方面,.readline() 每次只讀取一行,通常比 .readlines() 慢得多。僅當沒有足夠內(nèi)存可以一次讀取整個文件時,才應(yīng)該使用 .readline()。

如果正在使用處理文件的標準模塊,可以使用 cStringIO 模塊將字符串轉(zhuǎn)換成“虛擬文件”(如果需要生成模塊的子類,可以使用 StringIO 模塊,初學者未必要這樣做)。例如:
cStringIO 模塊

            
>>> 
    import
     cStringIO
>>> fh = cStringIO.StringIO()
>>> fh.write(
    "mary had a little lamb")
>>> fh.getvalue()
    'mary had a little lamb'
>>> fh.seek(5)
>>> fh.write(
    'ATE')
>>> fh.getvalue()
    'mary ATE a little lamb'


          

但是,請記住,cStringIO“虛擬文件”不是永久的,這一點與真正的文件不同。如果不保存它(如將它寫入一個真正的文件,或者使用 shelve 模塊或數(shù)據(jù)庫),則程序結(jié)束時,它將消失。

標準模塊:string

string 模塊也許是 Python 1.5.* 標準發(fā)行版中最常用的模塊。實際上,在 Python 1.6 或更高版本中,string 模塊中的功能將作為內(nèi)置字符串方法(在撰寫本文時,詳細信息尚未發(fā)布)。當然,任何執(zhí)行文本處理任務(wù)的程序也許應(yīng)該用以下這行開頭:
開始使用 string 的方法

????? import string

一般經(jīng)驗法則告訴我們,如果 可以 使用 string 模塊完成任務(wù),那么那就是 正確 的方法。與 re(規(guī)則表達式)相比,string 函數(shù)通常更快速,大多數(shù)情況下他們更易于理解和維護。第三方 Python 模塊,包括某些用 C 編寫的快速模塊,適用于專門的任務(wù),但可移植性和熟悉性都建議只要可能就使用 string。如果您習慣于使用其它語言,也會有例外,但不如您想像的那樣多。

string 模塊包含了幾種類型的事物,如函數(shù)、方法和類;它還包含了公共常量的字符串。例如:
string 用法例 1

            
>>> 
    import
     string
>>> string.whitespace
    '\011\012\013\014\015 '
>>> string.uppercase
    'ABCDEFGHIJKLMNOPQRSTUVWXYZ'


          

雖然可以用手寫出這些常量,string 版本或多或少確保了常量對于運行 Python 腳本的國家語言和平臺將是正確的。

string 還包括了以常見方式(可以結(jié)合這些方式來構(gòu)成幾種罕見的轉(zhuǎn)換)轉(zhuǎn)換字符串的函數(shù)。例如:
string 用法例 2

            
>>> 
    import
     string
>>> s = 
    "mary had a little lamb"
>>> string.capwords(s)
    'Mary Had A Little Lamb'
>>> string.replace(s, 
    'little', 
    'ferocious')
    'mary had a ferocious lamb'


          

還有許多沒有在這里具體說明的其它轉(zhuǎn)換;可以在 Python 手冊中查找詳細信息。

還可以使用 string 函數(shù)來報告字符串屬性,如子串的長度或位置,例如:
string 用法例 3

            
>>> 
    import
     string
>>> s = 
    "mary had a little lamb"
>>> string.find(s, 
    'had')5>>> string.count(s, 
    'a')4


          

最后,string 提供了非常 Python 化的奇特事物。.split() 和 .join() 對提供了在字符串和字節(jié)組之間轉(zhuǎn)換的迅捷方法,您會發(fā)現(xiàn)它們非常有用。用法很簡單:
string 用法例 4

            
>>> 
    import
     string>>> s = 
    "mary had a little lamb"
>>> L = string.split(s)
>>> L
[
    'mary', 
    'had', 
    'a', 
    'little', 
    'lamb']
>>> string.join(L, 
    "-")
    'mary-had-a-little-lamb'


          

當然,除了 .join() 之外,也許會利用列表來做其它事(如某些涉及我們熟悉的 for ... in ... 結(jié)構(gòu)的事情)。

標準模塊:re

re 模塊廢棄了在老的 Python 代碼中使用的 regex 和 regsub 模塊。雖然相對于 regex 仍然有幾個有限的優(yōu)點,不過這些優(yōu)點微不足道,不值得在新代碼中使用。過時的模塊可能會從未來的 Python 發(fā)行版中刪除,并且 1.6 版可能有一個改進的接口兼容的 re 模塊。所以,規(guī)則表達式仍將使用 re 模塊。

規(guī)則表達式很復雜。也許有人會撰寫關(guān)于這個主題的書,但實際上,已經(jīng)有許多人這樣做了!本文嘗試捕捉規(guī)則表達式的“完全形態(tài)”,讓讀者可以掌握它。

規(guī)則表達式是一種很簡練方法,用于描述可能在文本中出現(xiàn)的模式。是否會出現(xiàn)某些字符?是否按特定順序出現(xiàn)?子模式是否會重復一定次數(shù)?其它子模式是否會排除在匹配之外?從概念上說,似乎不能用自然語言了直觀地描述模式。訣竅是使用規(guī)則表達式的簡潔語法來編碼這種描述。

當處理規(guī)則表達式時,將它作為它自己的編程問題來處理,即使只涉及一或兩行代碼;這些行有效地構(gòu)成了一個小程序。

從最小處著手。從最基本上看,任何規(guī)則表達式都涉及匹配特定的“字符類”。最簡單的字符類就是單個字符,它在模式中只是一個字。通常,您希望匹配一類字符。可以通過將類括在方括號內(nèi)來表明這是一個類;在括號中,可以有一組字符或者用破折號指定的字符范圍。還可以使用許多命名字符類來確定您的平臺和國家語言。以下是一些示例:
字符類

            
>>> 
    import
     re
>>> s = 
    "mary had a little lamb"
>>> 
    if
     re.search(
    "m", s): 
    print
    "Match!" 
    # char literal
Match!
>>> 
    if
     re.search(
    "[@A-Z]", s): 
    print
    "Match!" 
    # char class
... 
    # match either at-sign or capital letter
...
>>> 
    if
     re.search(
    "\d", s): 
    print
    "Match!" 
    # digits class
...


          

可以將字符類看作是規(guī)則表達式的“原子”,通常會將那些原子組合成“分子”。可以結(jié)合使用 分組和 循環(huán) 來完成此操作。由括號表示分組:括號中包含的任何子表達式都被看作是用于以后分組或循環(huán)的原子。循環(huán)則由以下幾個運算符中的某一個來表示:"*" 表示“零或多”;"+" 表示“一或多”;"?" 表示“零或一”。例如,請看以下示例:
樣本規(guī)則表達式

ABC([d-w]*\d\d?)+XYZ

對于要匹配這個表達式的字符串,它必須以 "ABC" 開頭、以 "XYZ" 結(jié)尾 -- 但它的中間必須要有什么呢?中間子表達式是 ([d-w]*\d\d?),而且后面跟了“一或多”運算符。所以,字符串的中間必須包括一個(或者兩個,或者一千個)與括號中的子表達式匹配的字符或字符串。字符串 "ABCXYZ" 不匹配,因為它的中間沒有必要的字符。

不過這個內(nèi)部子表達式是什么呢?它以 d-w 范圍內(nèi)的 零或多個 字母開頭。一定要注意:零字母是有效匹配,雖然使用英語單詞 "some"(一些)來描述它,可能會感到很別扭。接著,字符串必須 恰好有一個數(shù)字;然后有 零或一個 附加數(shù)字。(第一個數(shù)字字符類沒有循環(huán)運算符,所以它只出現(xiàn)一次。第二個數(shù)字字符類有 "?" 運算符。)總而言之,這將翻譯成“一個或兩個數(shù)字”。以下是一些與規(guī)則表達式匹配的字符串:
匹配樣本表達式的字符串

            
ABC1234567890XYZ
ABCd12e1f37g3XYZ
ABC1XYZ


          

還有一些表達式與規(guī)則表達式 不匹配(想一想,它們?yōu)槭裁床黄ヅ洌?
不匹配樣本表達式的字符串

            
ABC123456789dXYZ
ABCdefghijklmnopqrstuvwXYZ
ABcd12e1f37g3XYZ
ABC12345%67890XYZ
ABCD12E1F37G3XYZ


          

需要一些練習才能習慣創(chuàng)建和理解規(guī)則表達式。但是,一旦掌握了規(guī)則表達式,您就具有了強大的表達能力。也就是說,轉(zhuǎn)而使用規(guī)則表達式解決問題通常會很容易,而這類問題實際上可以使用更簡單(而且更快速)的工具,如 string,來解決。


更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號聯(lián)系: 360901061

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對您有幫助就好】

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發(fā)表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 超激情碰碰碰啪在线视频 | 久久99这里精品8国产 | 欧美三级午夜理伦三级小说 | 日韩中文字幕一区二区不卡 | 一级毛片看真人在线视频 | 亚洲黄色在线视频 | 久久综合精品不卡一区二区 | 韩日一区二区三区 | 国产亚洲精品久久午夜 | 91在线视屏| 久久国内精品自在自线400部o | 全部毛片免费看 | 中文字幕亚洲综合久久2 | 女人洗澡一级毛片一级毛片 | 欧美综合视频在线 | 欧美日韩国产58香蕉在线视频 | 欧美成人一区二区三区在线电影 | 国产精品柳州莫菁身材四 | 欧美操人视频 | 在线免费观看一区二区三区 | 亚洲一区日韩二区欧美三区 | 亚洲欧洲国产精品你懂的 | 日韩一区二区中文字幕 | 日韩五月天 | 亚洲综合图片人成综合网 | 亚洲国产精品专区 | 男人爱看的网站 | 精品玖玖玖视频在线观看 | 久久爱avwww久久爱 | 免费福利入口在线观看 | 久久网站在线观看 | 五月天在线免费视频 | 婷婷综合五月中文字幕欧美 | 欧美另类成人 | 日韩亚洲一区二区三区 | 国产网站麻豆精品视频 | 99re热久久资源最新获取 | 日夜夜操| 91精品一区二区三区久久久久 | 天天碰天天干 | 色中文字幕在线 |