歡迎來到Linux教程網
Linux教程網
Linux教程網
Linux教程網
您现在的位置: Linux教程網 >> UnixLinux >  >> Linux綜合 >> Linux資訊 >> 更多Linux

流行的腳本語言Python中的文本處理

  什麼是 Python?  Python 是由 Guido van Rossum 開發的、可免費獲得的、非常高級的解釋型語言。其語法簡單易懂,而其面向對象的語義功能強大(但又靈活)。Python 可以廣泛使用並具有高度的可移植性。    字符串 -- 不可改變的序列  如同大多數高級編程語言一樣,變長字符串是 Python 中的基本類型。Python 在“後台”分配內存以保存字符串(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於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 "<stdin>", 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 關鍵字。它提供了兩個直觀有效的構造:    in 關鍵字  >>> 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 不應該解釋規則表達式特殊字符。例如:    使用 "r-strings"    >>> s3 = "this and that"  >>> print s3  this  and  that  >>> s4 = r"this and that"  >>> print s4  this and that     在 "r-strings" 中,可能另外組成換碼符的反斜槓被當作是常規反斜槓。在以後的規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容。Python 將文本文件的內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據量,但它們通常不使用變量。 .read() 每次讀取整個文件,它通常用於將文件內容放到一個字符串變量中。然而 .read() 生成文件內容最直接的字符串表示,但對於連續的面向行的處理,它卻是不必要的,並且如果文件大於可用內存,則不可能實現這種處理。    .readline() 和 .readlines() 非常相似。它們都在類似於以下的結構中使用:    Python .readlines() 示例        fh = open('c:\autoexec.bat')  for line in fh.readlines():   print line     .readline() 和 .readlines() 之間的差異是後者一次讀取整個文件,象 .read() 一樣。.readlines() 自動將文件內容分析成一個行的列表,該列表可以由 Python 的 for ... in ... 結構進行處理。另一方面,.readline() 每次只讀取一行,通常比 .readlines() 慢得多。僅當沒有足夠內存可以一次讀取整個文件時,才應該使用 .readline()。    如果正在使用處理文件的標准模塊,可以使用 cStringIO 模塊將字符串轉換成“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 模塊或數據庫),則程序結束時,它將消失。    標准模塊:string  string 模塊也許是 Python 1.5.* 標准發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置字符串方法(在撰寫本文時,詳細信息尚未發布)。當然,任何執行文本處理任務的程序也許應該用以下這行開頭:    開始使用 string 的方法       import string     一般經驗法則告訴我們,如果可以使用 string 模塊完成任務,那麼那就是正確的方法。與 re(規則表達式)相比,string 函數通常更快速,大多數情況下他們更易於理解和維護。第三方 Python 模塊,包括某些用 C 編寫的快速模塊,適用於專門的任務,但可移植性和熟悉性都建議只要可能就使用 string。如果您習慣於使用其它語言,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、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  '1112131415 '  >>> 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於運行 Python 腳本的國家語言和平台將是正確的。    string 還包括了以常見方式(可以結合這些方式來構成幾種罕見的轉換)轉換字符串的函數。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'     還有許多沒有在這裡具體說明的其它轉換;可以在 Python 手冊中查找詳細信息。    還可以使用 string 函數來報告字符串屬性,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     最後,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組之間轉換的迅捷方法,您會發現它們非常有用。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 ... 結構的事情)。    標准模塊:re  re 模塊廢棄了在老的 Python 代碼中使用的 regex 和 regsub 模塊。雖然相對於 regex 仍然有幾個有限的優點,不過這些優點微不足道,不值得在新代碼中使用。過時的模塊可能會從未來的 Python 發行版中刪除,並且 1.6 版可能有一個改進的接口兼容的 re 模塊。所以,規則表達式仍將使用 re 模塊。    規則表達式很復雜。也許有人會撰寫關於這個主題的書,但實際上,已經有許多人這樣做了!本文嘗試捕捉規則表達式的“完全形態”,讓讀者可以掌握它。    規則表達式是一種很簡練方法,用於描述可能在文本中出現的模式。是否會出現某些字符?是否按特定順序出現?子模式是否會重復一定次數?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。訣竅是使用規則表達式的簡潔語法來編碼這種描述。    當處理規則表達式時,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;這些行有效地構成了一個小程序。    從最小處著手。從最基本上看,任何規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來表明這是一個類;在括號中,可以有一組字符或者




Copyright © Linux教程網 All Rights Reserved