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於電子表格中一定範圍的行或列。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 "", 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杠被當作是常規反斜杠。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，那麽那就是正確的方法。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'
還有許多沒有在這裏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用破折號指定的字符範圍。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於以後分組或循環的原子。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]*dd?)+XYZ
對於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麽呢？中間子表達式是 ([d-w]*dd?)，而且後面跟了“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麽呢？它以 d-w 範圍內的零或多個字母開頭。一定要註意：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；然後有 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：
不匹配樣本表達式的字符串
ABC123456789dXYZ
ABCdefghijklmnopqrstuvwXYZ
ABcd12e1f37g3XYZ
ABC12345%67890XYZ
ABCD12E1F37G3XYZ
需要一些練習才能習慣創建和理解規則表達式。但是，一旦掌握了規則表達式，您就具有了強大的表達能力。也就是說，轉而使用規則表達式解決問題通常會很容易，而這類問題實際上可以使用更簡單（而且更快速）的工具，如 string，來解決。
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於電子表格中一定範圍的行或列。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 "", 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杠被當作是常規反斜杠。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，那麽那就是正確的方法。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'
還有許多沒有在這裏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用破折號指定的字符範圍。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於以後分組或循環的原子。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]*dd?)+XYZ
對於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麽呢？中間子表達式是 ([d-w]*dd?)，而且後面跟了“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麽呢？它以 d-w 範圍內的零或多個字母開頭。一定要註意：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；然後有 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：
不匹配樣本表達式的字符串
ABC123456789dXYZ
ABCdefghijklmnopqrstuvwXYZ
ABcd12e1f37g3XYZ
ABC12345%67890XYZ
ABCD12E1F37G3XYZ
需要一些練習才能習慣創建和理解規則表達式。但是，一旦掌握了規則表達式，您就具有了強大的表達能力。也就是說，轉而使用規則表達式解決問題通常會很容易，而這類問題實際上可以使用更簡單（而且更快速）的工具，如 string，來解決。
文章標籤
全站熱搜
留言列表
