Шрифт:
if found == -1:
break
print text[found:found + 60].split(«(")[0]
start = found + 1
Важным для преобразования текстовой информации является метод replace, который рассматривается ниже:
Листинг
>>> a = «Это текст , в котором встречаются запятые , поставленные не так.»
>>> b = a.replace(" ,", ",")
>>> print b
Это текст, в котором встречаются запятые, поставленные не так.
Рекомендации по эффективности
При работе с очень длинными строками или большим количеством строк, применяемые операции могут по–разному влиять на быстродействие программы.
Например, не рекомендуется многократно использовать операцию конкатенации для склеивания большого количества строк в одну. Лучше накапливать строки в списке, а затем с помощью join собирать в одну строку:
Листинг
>>> a = ""
>>> for i in xrange(1000):
… a += str(i) # неэффективно!
…
>>> a = "".join([str(i) for i in xrange(1000)]) # более эффективно
Конечно, если строка затем обрабатывается, можно применять итераторы, которые позволят свести использование памяти к минимуму.
Модуль StringIO
В некоторых случаях желательно работать со строкой как с файлом. Модуль StringIO как раз дает такую возможность.
Открытие «файла» производится вызовом StringIO. При вызове без аргумента — создается новый «файл», при задании строки в качестве аргумента — «файл» открывается для чтения:
Листинг
import StringIO
my_string = «1234567890»
f1 = StringIO.StringIO
f2 = StringIO.StringIO(my_string)
Далее с файлами f1 и f2 можно работать как с обычными файловыми объектами.
Для получения содержимого такого файла в виде строки применяется метод getvalue:
Листинг
f1.getvalue
Противоположный вариант (представление файла на диске в виде строки) можно реализовать на платформах Unix и Windows с использованием модуля mmap. Здесь этот модуль рассматриваться не будет.
Модуль difflib
Для приблизительного сравнения двух строк в стандартной библиотеке предусмотрен модуль difflib.
Функция difflib.get_close_matches позволяет выделить n близких строк к заданной строке:
Листинг
get_close_matches(word, possibilities, n=3, cutoff=0.6)
где
Листинг
word
Строка, к которой ищутся близкие строки.
Листинг
possibilities
Список возможных вариантов.
Листинг
n
Требуемое количество ближайших строк.
Листинг
cutoff
Коэффициент (из диапазона [0, 1]) необходимого уровня совпадения строк. Строки, которые при сравнении с word дают меньшее значение, игнорируются.
Следующий пример показывает функцию difflib.get_close_matches в действии:
Листинг
>>> import unicodedata
>>> names = [unicodedata.name(unicode(chr(i))) for i in range(40, 127)]
>>> print difflib.get_close_matches(«LEFT BRACKET», names)
['LEFT CURLY BRACKET', 'LEFT SQUARE BRACKET']
В списке names — названия Unicode–символов с ASCII–кодами от 40 до 127.
Регулярные выражения
Рассмотренных стандартных возможностей для работы с текстом достаточно далеко не всегда. Например, в методах find и replace задается всего одна строка. В реальных задачах такая однозначность встречается довольно редко, чаще требуется найти или заменить строки, отвечающие некоторому шаблону.
Регулярные выражения (regular expressions) описывают множество строк, используя специальный язык, который сейчас и будет рассмотрен. (Строка, в которой задано регулярное выражение, будет называться шаблоном.)
Для работы с регулярными выражениями в Python используется модуль re. В следующем примере регулярное выражение помогает выделить из текста все числа:
Листинг
>>> import re
>>> pattern = r»[0–9]+»
>>> number_re = re.compile(pattern)
>>> number_re.findall(«122 234 65435»)
['122', '234', '65435']
В этом примере шаблон pattern описывает множество строк, которые состоят из одного или более символов из набора «0», «1» , …, «9» . Функция re.compile компилирует шаблон в специальный Regex–объект, который имеет несколько методов, в том числе метод findall для получения списка всех непересекающихся вхождений строк, удовлетворяющих шаблону, в заданную строку.