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“后臺”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 ? ? "<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 \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反斜杠。在以后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，它通常用于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，但對于連續的面向行的處理，它卻是不必要的，并且如果文件大于可用內存，則不可能實現這種處理。

.readline() 和 .readlines() 非常相似。它們都在類似于以下的結構中使用：

Python .readlines() 示例

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

.readline() 和 .readlines() 之間的差異是后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準模塊，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。

標準模塊：string

string 模塊也許是 Python 1.5.* 標準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，那么那就是 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，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、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'?

還有許多沒有在這里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，并且 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。也許有人會撰寫關于這個主題的書，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，用于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則表達式的“原子”，通常會將那些原子組合成“分子”。可以結合使用 分組和 循環 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的原子。循環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。

不過這個內部子表達式是什么呢？它以 d-w 范圍內的 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 恰好有一個數字；然后有 零或一個 附加數字。（第一個數字字符類沒有循環運算符，所以它只出現一次。第二個數字字符類有 "?" 運算符。）總而言之，這將翻譯成“一個或兩個數字”。以下是一些與規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則表達式 不匹配（想一想，它們為什么不匹配）：

不匹配樣本表達式的字符串

?ABC123456789dXYZ ABCdefghijklmnopqrstuvwXYZ ABcd12e1f37g3XYZ ABC12345%67890XYZABCD12E1F37G3XYZ?

codego.net代碼轉載

轉載于:https://blog.51cto.com/10068262/1631518

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的Python中的文本处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。