Python 中的文本处理

扫一扫
分享文章到微信
扫一扫
关注官方公众号
至顶头条

本文介绍了Python 中的文本处理的语法规则并举例说明

作者：David Mertz 来源：developerWorks　 2007年9月15日

关键字：软件

如果正在使用处理文件的标准模块，可以使用 cStringIO 模块将字符串转换成“虚拟文件”（如果需要生成模块的子类，可以使用 StringIO 模块，初学者未必要这样做）。例如：

cStringIO 模块

>>> 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，请记住，cStringIO“虚拟文件”不是永久的，这一点与真正的文件不同。如果不保存它（如将它写入一个真正的文件，或者使用 shelve 模块或数据库），则程序结束时，它将消失。

标准模块：string

string 模块也许是 Python 1.5.* 标准发行版中最常用的模块。实际上，在 Python 1.6 或更高版本中，string 模块中的功能将作为内置字符串方法（在撰写本文时，详细信息尚未发布）。当然，任何执行文本处理任务的程序也许应该用以下这行开头：

开始使用 string 的方法

import string

一般经验法则告诉我们，如果可以使用 string 模块完成任务，那么那就是正确的方法。与 re（规则表达式）相比，string 函数通常更快速，大多数情况下他们更易于理解和维护。第三方 Python 模块，包括某些用 C 编写的快速模块，适用于专门的任务，但可移植性和熟悉性都建议只要可能就使用 string。如果您习惯于使用其它语言，也会有例外，但不如您想像的那样多。

string 模块包含了几种类型的事物，如函数、方法和类；它还包含了公共常量的字符串。例如：

string 用法例 1

>>> import string

>>> string.whitespace

'1112131415 '

>>> string.uppercase

'ABCDEFGHIJKLMNOPQRSTUVWXYZ'

虽然可以用手写出这些常量，string 版本或多或少确保了常量对于运行 Python 脚本的国家语言和平台将是正确的。

string 还包括了以常见方式（可以结合这些方式来构成几种罕见的转换）转换字符串的函数。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'

还有许多没有在这里具体说明的其它转换；可以在 Python 手册中查找详细信息。

还可以使用 string 函数来报告字符串属性，如子串的长度或位置，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() 对提供了在字符串和字节组之间转换的迅捷方法，您会发现它们非常有用。用法很简单：

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'

当然，除了 .join() 之外，也许会利用列表来做其它事（如某些涉及我们熟悉的 for ... in ... 结构的事情）。

标准模块：re

re 模块废弃了在老的 Python 代码中使用的 regex 和 regsub 模块。虽然相对于 regex 仍然有几个有限的优点，不过这些优点微不足道，不值得在新代码中使用。过时的模块可能会从未来的 Python 发行版中删除，并且 1.6 版可能有一个改进的接口兼容的 re 模块。所以，规则表达式仍将使用 re 模块。

规则表达式很复杂。也许有人会撰写关于这个主题的书，但实际上，已经有许多人这样做了！本文尝试捕捉规则表达式的“完全形态”，让读者可以掌握它。

规则表达式是一种很简练方法，用于描述可能在文本中出现的模式。是否会出现某些字符？是否按特定顺序出现？子模式是否会重复一定次数？其它子模式是否会排除在匹配之外？从概念上说，似乎不能用自然语言了直观地描述模式。诀窍是使用规则表达式的简洁语法来编码这种描述。

当处理规则表达式时，将它作为它自己的编程问题来处理，即使只涉及一或两行代码；这些行有效地构成了一个小程序。

从最小处着手。从最基本上看，任何规则表达式都涉及匹配特定的“字符类”。最简单的字符类就是单个字符，它在模式中只是一个字。通常，您希望匹配一类字符。可以通过将类括在方括号内来表明这是一个类；在括号中，可以有一组字符或者用破折号指定的字符范围。还可以使用许多命名字符类来确定您的平台和国家语言。以下是一些示例：

字符类

>>> 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

...

可以将字符类看作是规则表达式的“原子”，通常会将那些原子组合成“分子”。可以结合使用分组和循环来完成此操作。由括号表示分组：括号中包含的任何子表达式都被看作是用于以后分组或循环的原子。循环则由以下几个运算符中的某一个来表示："*" 表示“零或多”；"+" 表示“一或多”；"?" 表示“零或一”。例如，请看以下示例：

样本规则表达式

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

对于要匹配这个表达式的字符串，它必须以 "ABC" 开头、以 "XYZ" 结尾 -- 但它的中间必须要有什么呢？中间子表达式是 ([d-w]*dd?)，而且后面跟了“一或多”运算符。所以，字符串的中间必须包括一个（或者两个，或者一千个）与括号中的子表达式匹配的字符或字符串。字符串 "ABCXYZ" 不匹配，因为它的中间没有必要的字符。

不过这个内部子表达式是什么呢？它以 d-w 范围内的零或多个字母开头。一定要注意：零字母是有效匹配，虽然使用英语单词 "some"（一些）来描述它，可能会感到很别扭。接着，字符串必须恰好有一个数字；然后有零或一个附加数字。（第一个数字字符类没有循环运算符，所以它只出现一次。第二个数字字符类有 "?" 运算符。）总而言之，这将翻译成“一个或两个数字”。以下是一些与规则表达式匹配的字符串：

匹配样本表达式的字符串

ABC1234567890XYZ

ABCd12e1f37g3XYZ

ABC1XYZ

还有一些表达式与规则表达式不匹配（想一想，它们为什么不匹配）：

不匹配样本表达式的字符串

ABC123456789dXYZ

ABCdefghijklmnopqrstuvwXYZ

ABcd12e1f37g3XYZ

ABC12345%67890XYZ

ABCD12E1F37G3XYZ

需要一些练习才能习惯创建和理解规则表达式。但是，一旦掌握了规则表达式，您就具有了强大的表达能力。也就是说，转而使用规则表达式解决问题通常会很容易，而这类问题实际上可以使用更简单（而且更快速）的工具，如 string，来解决。

查看本文来源