1. 首页
  2. 文章中心
  3. python

cookbook-第二章-字符串和文本处理

95 阅读 0 评论
我是靠谱客的博主 大力眼睛，这篇文章主要介绍cookbook-第二章-字符串和文本处理，现在分享给大家，希望可以做个参考。

在任意多分隔符下分离字符串

字符串对象的split()方法适用场景很少(不适合于多分隔符或者分隔符后空格数目未知的情况)。

使用re.split()

复制代码
1
2
3
4
5
6
import re

line = 'asdf dasdasdas; dasdasda,     dadasd'
print(re.split(r'[;,s]s*', line))

['asdf', 'dasdasdas', 'dasdasda', 'dadasd']

使用捕获(capture group)

复制代码
1
2
3
4
5
6
import re

line = 'asdf dasdasdas; dasdasda,     dadasd'
print(re.split(r'(;|,|s)s*', line))

['asdf', ' ', 'dasdasdas', ';', 'dasdasda', ',', 'dadasd']

我们发现，捕获可以获取()里面对应的模式，即分隔符

获取分隔符常常很有用，比如用分隔符重构字符串

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import re

line = 'asdf dasdasdas; dasdasda,     dadasd'
fields = re.split(r'(;|,|s)s*', line)
#::表示隔2取，默认以0开始,如0,2,4,...
values = fields[::2]
#以1开始隔2取
delimiters = fields[1::2] + ['']
print(values)
print(delimiters)
#''.join表示连接
print(''.join(v + d for v, d in zip(values, delimiters)))

['asdf', 'dasdasdas', 'dasdasda', 'dadasd']
[' ', ';', ',', '']
asdf dasdasdas;dasdasda,dadasd

如果不想获取分隔符，并且想用括号来对正则表达式分段，注意使用?:

复制代码
1
2
3
4
5
6
7
import re

line = 'asdf dasdasdas; dasdasda,     dadasd'
fields = re.split(r'(?:;|,|s)s*', line)
print(fields)

['asdf', 'dasdasdas', 'dasdasda', 'dadasd']

字符串前缀后缀

使用str.startswith()或者str.endswith()

复制代码
1
2
3
4
5
6
7
8
filename = 'spam.txt'
print(filename.endswith('txt'))
print(filename.startswith('file'))
print('http://www.python.org'.startswith('http:'))

True
False
True

使用元组提供多个选择

复制代码
1
filename.startswith(('txt', 'spam'))

需要注意的地方:
元组不能替换为列表或者集合，如果为列表或集合，注意先使用tuple()转换为元组

startswith(endswith),元组和any结合使用

复制代码
1
2
3
import os

if any(name.startswith(('.c', '.h')) for name in os.listdir(dirname)):

用于判断某个目录下是否具有特定类型的文件

使用类shell通配符匹配字符串

使用fnmatch()

复制代码
1
2
3
4
5
6
from fnmatch import fnmatch

print(fnmatch('foo.txt', '*.txt'))
print(fnmatch('foo.txt', '?oo.txt'))
print(fnmatch('Dat45.csv', 'Dat[0-9]*'))

需要注意的是，fnmatch()的大小写判断依赖于操作系统。

使用fnmatchcase()

复制代码
1
2
3
4
5
from fnmatch import fnmatch,fnmatchcase
#无论任何操作系统，遵守约定俗成的大小写规则
print(fnmatchcase('foo.txt', '*.TXT'))

False

需要注意的地方:
fnmatch()是字符串方法和强大的正则表达式之间的折中，如果只需要简单的通配符机制，那么这是一个不错的选择。

匹配和查找文本模式

如果你想匹配的文本是简单的字面值，那么可以使用startswith(),endswith(),find()来匹配

如果是更复杂的匹配，那么就要用到正则表达式了

使用正则表达式

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import re

text1 = '3/25/2018'
text2 = 'March 25, 2018'

if re.match(r'd+/d+/d+', text1):
    print('yes')
else:
    print('no')
if re.match(r'd+/d+/d+', text2):
    print('yes')
else:
    print('no')
yes
no

如果需要使用同一模式来多次匹配字符串，那么需要先用compile编译正则表达式

使用compile()

复制代码
1
2
3
4
5
6
7
8
9
10
11
import re

text1 = '03/25/2018'

datepat = re.compile(r'd+/d+/d+')

if datepat.match(text1):
    print('yes')
else:
    print('no')
yes

需要注意的是，match总是匹配第一次出现的模式，如果想匹配所有模式，使用findall

使用findall匹配所有模式

复制代码
1
2
3
4
5
6
7
8
9
import re

text = 'Today is 03/25/2018.Yesterday is 03/24/2018.'

datepat = re.compile(r'd+/d+/d+')

print(datepat.findall(text))

['03/25/2018', '03/24/2018']

使用捕获

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import re


datepat = re.compile(r'(d+)/(d+)/(d+)')

m = datepat.match('03/25/2018')

print(m)

print(m.group(0), m.group(1), m.group(2), m.group(3), m.groups())

text = 'Today is 03/25/2018.Yesterday is 03/24/2018'

print(datepat.findall(text))

for month, day, year in datepat.findall(text):
    print('{}-{}-{}'.format(month, day, year))

<_sre.SRE_Match object; span=(0, 10), match='03/25/2018'>
03/25/2018 03 25 2018 ('03', '25', '2018')
[('03', '25', '2018'), ('03', '24', '2018')]
03-25-2018
03-24-2018

注意到，使用捕获很利于后续处理，因为捕获将匹配的模式分开了

findall找出所有匹配并且返回列表，如果想迭代处理，那么可以使用finditer()

使用finditer

复制代码
1
2
3
4
5
6
7
8
9
10
11
import re

datepat = re.compile(r'(d+)/(d+)/(d+)')

text = 'Today is 03/25/2018.Yesterday is 03/24/2018'

for m in datepat.finditer(text):
    print(m.groups()) 

('03', '25', '2018')
('03', '24', '2018')

对使用正则表达式的简单总结:
1.编译正则表达式，返回pattern对象
2.使用match(),find(),findall(),finditer()等方法进行匹配

对于match,需要注意，它只检查字符串的开始，这就导致有时候不是你想要的结果

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
import re


datepat = re.compile(r'(d+)/(d+)/(d+)')

m = datepat.match('11/27/2012dzxdzxdzx')

print(m)

print(m.group())

<_sre.SRE_Match object; span=(0, 10), match='11/27/2012'>
11/27/2012

因此需要用到结束标志$

总结一下需要注意的地方:使用正则表达式之前记得使用compile()编译，可以减少开销

查找和替换文本

对于普通的字面字符串而言，使用str.replace()

使用str.replace()

复制代码
1
2
3
4
5
text = 'how do you'

print(text.replace('do', 'are'))

how are you

对于更复杂的情况，使用re.sub().

使用re.sub()

复制代码
1
2
3
4
5
6
7
8
9
import re

text = 'Today is 03/25/2018.Yesterday is 03/24/2018'

#3表示取捕获组的第三个,即年
#re.sub()的第一个参数为匹配的模式，第二个参数是替换的模式
print(re.sub(r'(d+)/(d+)/(d+)', r'3-1-2', text))

Today is 2018-03-25.Yesterday is 2018-03-24

使用re.compile()

复制代码
1
2
3
4
5
6
7
8
import re

text = 'Today is 03/25/2018.Yesterday is 03/24/2018'

datepat = re.compile(r'(d+)/(d+)/(d+)')
print(datepat.sub(r'3-1-2', text))

Today is 2018-03-25.Yesterday is 2018-03-24

对于更加复杂的替换，可以使用一个回调函数来定义替换部分

使用回调函数

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import re
from calendar import month_abbr

#回调函数的参数是一个match对象，通常由find或者match返回，可以调用group提取匹配特定部分
def change_date(m):
    #m.group(1)提取了月的部分，并且由month_abbr()转换为了月份缩写形式
    mon_name = month_abbr[int(m.group(1))]
    #注意这里的{}相当于占位符，由format指定的参数来替换
    return '{} {} {}'.format(m.group(2), mon_name, m.group(3))

text = 'Today is 03/25/2018.Yesterday is 03/24/2018'

datepat = re.compile(r'(d+)/(d+)/(d+)')
print(datepat.sub(change_date, text))

Today is 25 Mar 2018.Yesterday is 24 Mar 2018

整个功能相当于,datepat调用sub()，通过编译的正则表达式获取到了匹配，即match对象，将match对象传递给回调函数，回调函数进行处理，返回的结果替换匹配，一次替换结束，再进行第二次替换，依次进行，直到结束。

如果想知道进行了多少次替换，可以使用re.subn()

使用re.subn()

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
import re
from calendar import month_abbr

text = 'Today is 03/25/2018.Yesterday is 03/24/2018'

datepat = re.compile(r'(d+)/(d+)/(d+)')
newtext, n = datepat.subn(r'3-1-2', text)

print(newtext)
print(n)

Today is 2018-03-25.Yesterday is 2018-03-24
2

查找和替换大小写不敏感的文本

使用re.IGNORECASE标志

复制代码
1
2
3
4
5
6
7
8
import re

text = 'UPPER PYTHON,lower python, Mixed Python'
print(re.findall('python', text, flags = re.IGNORECASE))
print(re.sub('python', 'case', text, flags = re.IGNORECASE))

['PYTHON', 'python', 'Python']
UPPER case,lower case, Mixed case

这种做法暴露了一个缺陷。不能根据匹配内容的大小写替换对应的大小写内容(比如如果python为大写，仍然替换的是case)

使用支持函数

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import re

#这种写法的意思是，每次调用re.sub,会调用matchcase,而matchcase返回replace，
#于是将匹配对象match传递给了replace,replace在matchcase的作用范围内，于是可以
#获取word的值进行处理
def matchcase(word):
    def replace(m):
        text = m.group()
        if text.isupper():
            return word.upper()
        elif text.islower():
            return word.lower()
        elif text[0].isupper():
            return word.capitalize()
        else:
            return word
    return replace

text = 'UPPER PYTHON,lower python, Mixed Python'
print(re.sub('python', matchcase('case'), text, flags = re.IGNORECASE))

我们可以发现，替换的case随着python的大写，小写，首字母大写而变化

使匹配最短

先来看一个例子

复制代码
1
2
3
4
5
6
7
8
9
10
import re

str_pat = re.compile(r'"(.*)"')
text1 = 'Computer says "no."'
print(str_pat.findall(text1))

text2 = 'Computer says "no." Phone says "yes."'
print(str_pat.findall(text2))
['no.']
['no." Phone says "yes.']

注意到匹配了整个”no.” Phone says “yes.”“，而我们想要的应该是”no.”和”yes.”。这是由于正则表达式中的*为贪婪的(greedy),所以匹配总会找出符合条件的最长的匹配。为了解决这个问题，需要使用?

?操作符使匹配最短

复制代码
1
2
3
4
5
6
7
import re

str_pat = re.compile(r'"(.*?)"')
text2 = 'Computer says "no." Phone says "yes."'
print(str_pat.findall(text2))

['no.', 'yes.']

?操作符使匹配非贪心，并且使匹配最短

正则表达式处理多行

先来看一个处理注释的例子

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
import re

comment = re.compile(r'/*(.*?)*/')
text1 = '/* this is a comment */'
text2 = '''/* this is a
              multiline comment */
        '''
print(comment.findall(text1))
print(comment.findall(text2))

[' this is a comment ']
[]

我们会发现匹配多行的例子失败了，这是因为’.’虽然可以匹配任意字符，但是不能匹配换行符。
解决方法1

使用?:

复制代码
1
2
3
4
5
6
7
8
9
import re
#注意，这里使用了?:非捕获符
comment = re.compile(r'/*((?:.|n)*?)*/')
text2 = '''/* this is a
              multiline comment */
        '''
print(comment.findall(text2))

[' this is an              multiline comment ']

解决方法2

使用re.DOTALL

复制代码
1
2
3
4
5
6
7
8
9
import re

comment = re.compile(r'/*(.*?)*/', re.DOTALL)
text2 = '''/* this is a
              multiline comment */
        '''
print(comment.findall(text2))

[' this is an              multiline comment ']

需要注意的地方:
re.DOTALL适用于简单的情况，如果正则表达式相当复杂可能会出问题。因此首推编写出正确的正则表达式，即第一种方法。

将Unicode文本正规化为标准文本

当处理Unicode字符串时，你需要确保每个字符串拥有相同的潜在表示形式。
对于Unicode字符集，有些字符可以存在多种表示形式。看一个例子

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
s1 = 'Spicy Jalapeu00f1o'
s2 = 'Spicy Jalapenu0303o'

print(s1)
print(s2)
print(s1 == s2)
print(len(s1))
print(len(s2))

Spicy Jalapeño
Spicy Jalapeño
False
14
15

“Spicy Jalapeño”存在两种表示形式,第一种是一个整体u00f1，第二种是n结合一个结合字符(combining character)u0303
为了解决这个问题，我们需要使用unicodedata模块将字符串转换为同一种形式

使用unicodedata.normalize()

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import unicodedata

s1 = 'Spicy Jalapeu00f1o'
s2 = 'Spicy Jalapenu0303o'

#normalize()的第一个参数指定正规化形式
#NFC代表完全组成
#NFD代表完全解题，使用结合字符
t1 = unicodedata.normalize('NFC', s1)
t2 = unicodedata.normalize('NFC', s2)
print(t1 == t2)
print(ascii(t2))

t3 = unicodedata.normalize('NFD', s1)
t4 = unicodedata.normalize('NFD', s2)
print(t3 == t4)
print(ascii(t4))

True
'Spicy Jalapexf1o'
True
'Spicy Jalapenu0303o'

总结:
1.正规化是相当重要的，因为你不知道你的输入文本是什么形式,尤其你无法控制输入的时候
2.正规化也可以用来过滤文本,如下所示

复制代码
1
2
3
4
5
6
7
8
import unicodedata

s1 = 'Spicy Jalapeu00f1o'
t1 = unicodedata.normalize('NFD', s1)
#unicodedata.combing()可以识别出结合字符
print(''.join(c for c in t1 if not unicodedata.combining(c)))

Spicy Jalapeno

注意到，结合字符被过滤了

在正则表达式中处理Unicode字符集

正则表达式库可以初步识别一些基本的Unicode字符类型，如d可以识别数字

复制代码
1
2
3
4
5
6
7
8
9
10
import re

num = re.compile('d+')
print(num.match('123'))

#如果你想匹配特定Unicode字符，可以使用转义字符
print(num.match('u0661u0662u0663'))

<_sre.SRE_Match object; span=(0, 3), match='123'>
<_sre.SRE_Match object; span=(0, 3), match='١٢٣'>

看一个比较麻烦的例子
这里写图片描述

总结一下关于处理Unicode需要注意的地方:
一定要注意正规化，将所有字符串都处理为同一种表示形式

从字符串中去除不想要的字符

使用strip(),lstrip(),rstrip()

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
s = '      hello word       n'
print(s.strip())
print(s.lstrip())
print(s.rstrip())

t = '---------helloxxxxxxx'
print(t.lstrip('-'))
print(t.strip('-x'))

hello word
hello word       

      hello word
helloxxxxxxx
hello

需要注意的地方:
1,strip()默认去除空白符（包括换行符），但是也可以指定去除特定字符
2.strip()只处理左右两边的空白处，不处理中间的。如果想处理中间的空白字符，需要使用replace或者re.sub()

迭代时，结合使用strip除去空白符

复制代码
1
2
3
4
5
with open(filename) as f:
    #注意这里使用的是生成器表达式,因此会返回一个迭代器，而不是创建临时的列表保存数据
    lines = (line.strip() for line in f)
    for line in lines:
        pass

清理文本

在一些很简单的层面上，可以使用str.upper(),str.lower()或者str.replace(),re.sub()等方法来处理文本，或者使用之前讲到的unicodedata.normalize()来正规化文本。但是更进一层，可以使用translate()

使用translate()

这里写图片描述
这里写图片描述

注意到，translate()方法做的相当于是文本处理的映射。

更进一步，清除所有结合字符
这里写图片描述
可以看出，先通过dict.fromkeys建立了一个以所有结合字符为键，值为None的字典，然后translate使用这个字典将结合字符映射为空，即清除掉

再看一个例子，将Unicode字符集中的数字字符替换为ASCII码的等价形式
这里写图片描述

使用encode和decode

这里写图片描述

总结:
1.越简单，通常越快。例如str.replace()通常是最快的，尽管可能需要调用多次。
2.translate()对于字符->字符转换，或者字符->清除也是很快的
3.没有通用的最好的方法。模式是尝试各种方法，找出最优性能的那一个。

分配文本字符串

使用ljust(),rjust(),center()

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
text = 'Hello World'
#填充到20个字符，不足的地方填充空白，字符串左移
print(text.ljust(20))
##填充到20个字符，不足的地方填充空白，字符串右移
print(text.rjust(20))
##填充到20个字符，不足的地方填充空白，字符串往中间移动
print(text.center(20))

Hello World         
         Hello World
    Hello World     

#指定填充字符
print(text.rjust(20, '='))
print(text.center(20, '*'))

=========Hello World
****Hello World*****

使用format()

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
text = 'Hello World'
print(format(text, '>20'))
print(format(text, '<20'))
print(format(text, '^20'))
print(format(text, '=>20s'))
print(format(text, '*^20s'))

         Hello World
Hello World         
    Hello World     
=========Hello World
****Hello World*****

#注意，format可以一次性格式化多个字符串
print('{:>10s} {:>10s}'.format('Hello', 'World'))

     Hello      World

对于format()需要注意的地方:
它不仅适用于字符串，它适用于所有值类型。因此format()比其他方法也更具一般性

复制代码
1
2
3
4
5
6
x = 1.2345
print(format(x, '>10'))
print(format(x, '^10.2f'))

    1.2345
   1.23

使用’%’

复制代码
1
2
3
4
5
6
text = 'Hello World'
print('%-20s' % text)
print('%20s' % text)

Hello World         
         Hello World

总结:
format()方法功能最强大，也更具一般性。另外，尽量不要用’%’

连接字符串

如果你想连接序列或者可迭代对象，最快的方法是join()

使用join()

复制代码
1
2
3
4
5
parts = ['Is', 'Chicago', 'Not', 'Chicago?']

print(' '.join(parts))

Is Chicago Not Chicago?

如果只是想连接很少的字符串，那么可以使用’+’

使用’+’

复制代码
1
2
3
4
5
6
a = 'is'
b = 'you'

print(a + ' ' + b)

is you

‘+’可以是format的替换
这里写图片描述

如果只是连接字面值，可以这样做

复制代码
1
2
3
4
5
a = 'Hello ' 'World'

print(a)

Hello World

需要注意的地方:
当连接大量字符串时，’+’号的开销很巨大，因为有内存拷贝和垃圾回收等开销(跟java一样，字符串多了用StringBuilder).这种情况一定要用join()

使用生成器表达式

这里写图片描述
注意到,str()字符串转换和使用生成器表达式进行字符串连接同时进行。

有时候，字符串连接是不必要的。看看例子
这里写图片描述

如果涉及到I/O，那么字符串的连接需要一些权衡
这里写图片描述
对于版本1，当chunk1和chunk2很小时，会比版本2还快，因为版本2由于有两次I/O操作，会有额外开销，但是当chunk1和chunk2很大时，版本1的额外开销很大,因为它会产生临时结果以及内存拷贝等开销

通过生成器函数产生片段

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
def sample():
    yield 'Is'
    yield 'Chicago'
    yield 'Not'
    yield 'Chicago'

text = ''.join(sample())

for part in sample():
    f.write(part)

#短短几行就实现了缓冲区的功能，是不是相当酷(我说的是Python)
def combine(source, maxsize):
    parts = []
    size = 0
    for part in source:
        parts.append(part)
        size += len(part)
        if size >= maxsize:
            yield ''.join(parts)
            parts = []
            size = 0
    yield ''.join(parts)

for part in combine(sample(), 32768):
    f.write(part)

注意到，生成器函数并不在意数据组合的细节，他只负责产生数据(搬运工)

在字符串中插入变量

使用字符串对象的format()

复制代码
1
2
3
4
s = '{name} has {n} messages'
print(s.format(name = 'xxx', n = 'xxx'))

xxx has xxx messages

如果变量已经定义过了，那么可以结合使用format_map()和vars()

复制代码
1
2
3
4
5
6
7
name = 'xxx'
n = 'xxx'

s = '{name} has {n} messages'
print(s.format_map(vars()))

xxx has xxx messages

vars()还有一个特性，那就是适用于实例对象

复制代码
1
2
3
4
5
6
7
8
9
10
class Info:
    def __init__(self, name, n):
        self.name = name
        self.n = n

s = '{name} has {n} messages'
a = Info('xxx', 11)
print(s.format_map(vars(a)))

xxx has 11 messages

需要注意的是，format()和format的一个缺陷是不能处理缺失值

复制代码
1
2
3
4
5
6
7
s = '{name} has {n} messages'
print(s.format(name = 'xxx'))

Traceback (most recent call last):
  File "C:UsersAdministratorDesktoptest.py", line 3, in <module>
    print(s.format(name = 'xxx'))
KeyError: 'n'

一个解决办法是定义一个字典子类，编写missing()方法

使用missing()

复制代码
1
2
3
4
5
6
7
8
9
10
11
class safesub(dict):
    def __missing__(self, key):
        return '{' + key + '}'

name = 'xxx'
n = 'xxx'
del(name)
s = '{name} has {n} messages'
print(s.format_map(safesub(vars())))

{name} has xxx messages

注意到，缺失的数据没有被替换

如果你发现你经常使用format_map,那么应该用一个方法将它包装起来，这个方法用到了”frame hack”

使用frame hack

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import sys

class safesub(dict):
    def __missing__(self, key):
        return '{' + key + '}'

def sub(text):
    return text.format_map(safesub(sys._getframe(1).f_locals))


name = 'xxx'
n = 111

print(sub('Hello {name}'))
print(sub('{n} hello'))
print(sub('your favourite color is {color}'))

Hello xxx
111 hello
your favourite color is {color}

其他的插入变量的方式

这里写图片描述
需要注意的是，以上两种方式都没有format()好

总结:
1.format()的优势在于，可以结合字符串格式化(alignment, padding, numerical formatting)等使用
2.f_locals是一个本地变量的拷贝，类型为字典，因此不用担心改变它会产生额外影响

格式化文本到指定的列数

使用textwrap()

这里写图片描述

使用get_terminal_size()获取终端窗口大小

这里写图片描述

处理html和xml实体

使用html.escape()

这里写图片描述

使用errors处理ascii码转换

这里写图片描述

使用html parser或者xml parser

这里写图片描述

将文本转换为token

假设你有这样一个字符串,text = ‘foo = 23 +42 * 10’

为了符号化这个字符串,你需要某种识别模式的方式,例如转化为这样的形式
这里写图片描述

为了符号化，第一步就需要定义所有可能的符号，包括空格。方法是正则表达式和命名捕获组(named capture group)

使用正则表达式和命名捕获组

这里写图片描述

我们注意到，一般形式为?p<符号名称>+正则表达式

符号化的第一步完成了，第二步是使用scanner()

使用scanner()

这里写图片描述

结合使用生成器和scanner

这里写图片描述

使用生成器表达式过滤token

这里写图片描述

总结:
1.必须想清楚每种可能的符号，如果有任何模式未被匹配，scanner的扫描过程就会终止，这也是为什么需要特别定义空字符的符号
2.符号的顺序也需要注意

编写解析器

BNF:
这里写图片描述
EBNF:
这里写图片描述

表达式计算器

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
import re
import collections

NUM = r'(?P<NUM>d+)'
PLUS = r'(?P<PLUS>+)'
MINUS = r'(?P<MINUS>-)'
TIMES = r'(?P<TIMES>*)'
DIVIDE = r'(?P<DIVIDE>/)'
LPAREN = r'(?P<LPAREN>()'
RPAREN = r'(?P<RPAREN>))'
WS = r'(?P<WS>s+)'

master_pat = re.compile('|'.join([NUM, PLUS, MINUS, TIMES, DIVIDE, LPAREN, RPAREN, WS]))

Token = collections.namedtuple('Token', ['type', 'value'])

def generate_tokens(text):
    scanner = master_pat.scanner(text)
    for m in iter(scanner.match, None):
        tok = Token(m.lastgroup, m.group())
        if tok.type != 'WS':
            yield tok

class ExpressionEvaluator:
    def parse(self, text):
        self.tokens = generate_tokens(text)
        self.tok = None
        self.nexttok = None
        self.advance()
        return self.expr()

    def advance(self):
        self.tok, self.nexttok = self.nexttok, next(self.tokens, None)

    def _accept(self, toktype):
        if self.nexttok and self.nexttok.type == toktype:
            self.advance()
            return True
        else:
            return False

    def _expect(self, toktype):
        if not self._accept(toktype):
            raise SyntaxError('Expected ' + toktype)

    def expr(self):
        expval = self.term()

        while self._accept('PLUS') or self._accept('MINUS'):
            op = self.tok.type
            right = self.term()
            if op == 'PLUS':
                expval += right
            elif op == 'MINUS':
                expval -= right

        return expval

    def term(self):
        termval = self.factor()

        while self._accept('TIMES') or self._accept('DIVIDE'):
            op = self.tok.type
            right = self.factor()
            if op == 'TIMES':
                termval *= right
            elif op == 'DIVIDE':
                termval /= right

        return termval

    def factor(self):
        if self._accept('NUM'):
            return int(self.tok.value)
        elif self._accept('LPAREN'):
            expval =    self.expr()
            self._expect('RPAREN')
            return expval
        else:
            raise SyntaxError('Expected or LPAREN')

e = ExpressionEvaluator()
print(e.parse('2'))
print(e.parse(' 2 + (3 * 3) + 4 / 5 + (5 / 5) * 10'))

2
21.8

解析器

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
class ExpressionTreeBuilder(ExpressionEvaluator):
    def expr(self):
        expval = self.term()

        while self._accept('PLUS') or self._accept('MINUS'):
            op = self.tok.type
            right = self.term()
            if op == 'PLUS':
                expval = ('+', expval, right)
            elif op == 'MINUS':
                expval = ('-', expval, right)

        return expval

    def term(self):
        termval = self.factor()

        while self._accept('TIMES') or self._accept('DIVIDE'):
            op = self.tok.type
            right = self.factor()
            if op == 'TIMES':
                termval = ('*', termval, right)
            elif op == 'DIVIDE':
                termval = ('/', termval, right)

        return termval

    def factor(self):
        if self._accept('NUM'):
            return int(self.tok.value)
        elif self._accept('LPAREN'):
            expval =    self.expr()
            self._expect('RPAREN')
            return expval
        else:
            raise SyntaxError('Expected or LPAREN')

e = ExpressionTreeBuilder()
print(e.parse('2 + 3 * (4 + 5 / 6)'))

('+', 2, ('*', 3, ('+', 4, ('/', 5, 6))))

解析步骤总结(直接上原文吧，感觉自己总结的可能会误导。。。)
这里写图片描述
这里写图片描述

对字节字符串进行文本操作

字节字符串支持大多数文本字符串的内置函数
这里写图片描述

这里写图片描述

注意，将正则表达式应用于字节字符串时，正则表达式也需要是字节形式
这里写图片描述

一点需要注意的字节字符串文本字符串的差异
1.索引后得到的值为整数而不是字符
2.字节字符串输出会形如’b’xxxxxx”
3.format()不支持字节字符串
4.如果将字节字符串作为文件名，会使文件名编解码失效。

总结:
处理文本，尽量使用文本字符串!

最后

以上就是大力眼睛最近收集整理的关于cookbook-第二章-字符串和文本处理的全部内容，更多相关cookbook-第二章-字符串和文本处理内容请搜索靠谱客的其他文章。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
点赞(63)

相关文章

HTTP代理如何助力python爬虫爬取天猫店铺商品链接
HTTP代理如何助力python爬虫爬取天猫店铺商品链接
验证码截图接打码平台
验证码截图接打码平台
如何使用爬虫采集天猫店铺商品信息
如何使用爬虫采集天猫店铺商品信息
使用Python快速去除天猫工商执照图片纯色水印
使用Python快速去除天猫工商执照图片纯色水印
cookbook-第二章-字符串和文本处理
cookbook-第二章-字符串和文本处理
python爬虫——验证码识别python爬虫——验证码识别
python爬虫——验证码识别python爬虫——验证码识别
Python+selenium 第三方接口识别图文验证码
Python+selenium 第三方接口识别图文验证码
Python内置函数复习
Python内置函数复习

评论列表共有 0 条评论

立即
投稿
返回
顶部