详解Python中的文本处理

字符串 -- 不可改变的序列

如同大多数高级编程语言一样，变长字符串是 Python 中的基本类型。Python 在"后台"分配内存以保存字符串（或其它值），程序员不必为此操心。Python 还有一些其它高级语言没有的字符串处理功能。

在 Python 中，字符串是"不可改变的序列"。尽管不能"按位置"修改字符串（如字节组），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样。Python 使用灵活的"分片"操作来引用子序列，字符片段的格式类似于电子表格中一定范围的行或列。以下交互式会话说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'

另一个功能强大的字符串操作就是简单的 in 关键字。它提供了两个直观有效的构造：
in 关键字

    >>> 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，有几种方法可以构成字符串文字。可以使用单引号或双引号，只要左引号和右引号匹配，常用的还有其它引号的变化形式。如果字符串包含换行符或嵌入引号，三重引号可以很方便地定义这样的字符串，如下例所示：
三重引号的使用

    >>> 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

使用单引号或三重引号的字符串前面可以加一个字母 "r" 以表示 Python 不应该解释规则表达式特殊字符。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，可能另外组成换码符的反斜杠被当作是常规反斜杠。在以后的规则表达式讨论中会进一步说明这个话题。

文件和字符串变量

我们谈到"文本处理"时，我们通常是指处理的内容。Python 将文本文件的内容读入可以操作的字符串变量非常容易。文件对象提供了三个"读"方法： .read()、.readline() 和 .readlines()。每种方法可以接受一个变量以限制每次读取的数据量，但它们通常不使用变量。 .read() 每次读取整个文件，它通常用于将文件内容放到一个字符串变量中。然而 .read() 生成文件内容最直接的字符串表示，但对于连续的面向行的处理，它却是不必要的，并且如果文件大于可用内存，则不可能实现这种处理。

.readline() 和 .readlines() 非常相似。它们都在类似于以下的结构中使用：
Python .readlines() 示例

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

        print
         line

.readline() 和 .readlines() 之间的差异是后者一次读取整个文件，象 .read() 一样。.readlines() 自动将文件内容分析成一个行的列表，该列表可以由 Python 的 for ... in ... 结构进行处理。另一方面，.readline() 每次只读取一行，通常比 .readlines() 慢得多。仅当没有足够内存可以一次读取整个文件时，才应该使用 .readline()。

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
        '\011\012\013\014\015 '
    >>> 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]*\d\d?)+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]*\d\d?)，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。