第一章
文本
1.1 string:文本常量和模板
1.2 textwrap:格式化文本段落
1.3 re:正则表达式
1.4 difflib:比较序列
str类,
string.Template
textwrap
difflib
----------------------
1.1 string:文本常量和模板
string模块中 str模块中
函数capwords()
-------------------
Jupyter note --- 丘比特笔记本
第一章
文本处理工具:str类
string.Template 简便的方法来构建比str对象特性更丰富的字符串。
Web框架定义的模板或Python Package Index提供的扩展模块相比,尽管string.Template没有那么丰富的特性,但它确实能很好地支持用户可修改的模板,这些模板需要将动态值插入到静态文本中。
textwrap模块包含格式化段落文本的工具,可以限制输出的宽度、增加缩进,以及插入换行符从而能一致地自动换行。
1.1 string:文本常量和模板
string模块在最早的Python版本中就已经有了。以前这个模块中提供的很多函数已经移植为str对象的方法,不过这个模块仍保留了很多有用的常量和类来处理str对象。这里将重点讨论这些常量和类。
1.1.1 函数
函数capwords()会把一个字符串中的所有单词首字母大写。
代码清单 1-1:string_capwords.py
--------------------------------
import string
s = 'The quick brown fox jumped over the lazy dog.'
print(s)
print(string.capwords(s))
--------------------------------
结果:
The quick brown fox jumped over the lazy dog.
The Quick Brown Fox Jumped Over The Lazy Dog.
------------------------------------------
这个代码的结果等同于先调用split(),把结果列表中的单词首字母大写,然后调用join()来合并结果。
1.1.2 模板
PEP 292:更简单的字符串替换。
字符串模板是PEP 292新增的部分,将作为内置拼接语法的代替做法。使用string.Template拼接时,要在名字前面加前缀$来标识变量(例如,$var)。或者,如果有必要区分变量和周围的文本,可以用大括号
包围变量(例如,${var})。
下面这个例子对一个简单模板,使用%操作符的类似字符串拼接以及使用str.format()的新格式化字符串语法做了比较:
string.Template
代码清单1-2:string_template.py
------------------------------
import string
values = {'var': 'foo'}
t = string.Template("""
Variable :$var
Escape :$$
Variable in text :${var}iable
"""
)
print('TEMPLATE:', t.substitute(values))
s = """
Variable :%(var)s
Escape :%%
Variable in text :%(var)siable
"""
print('INTERPOLATION', s % values)
s = """
Variable : %{var}
Escape : {{}}
Variable in text :{var}siable
"""
print('FORMAT:', s.format(**values))
-----------------------------------
在前面两种情况中,触发字符($或%)要重复两次来进行转义。在格式化语法中,需要重复{和}来转义。
-----------------------------------------------
TEMPLATE:
Variable :foo
Escape :$
Variable in text :fooiable
INTERPOLATION
Variable :foo
Escape :%
Variable in text :fooiable
FORMAT:
Variable : %foo
Escape : {}
Variable in text :foosiable
-------------------------------------------------
模板与字符串拼接或格式化的一个关键区别是,它不考虑参数的类型。值会转换为字符串,再将字符串插入结果。这里没有提供格式化选项。例如,没有办法控制使用几位有效数字来表示一个浮点值。
不过,这也有一个好处,通过使用sfe_substitute()方法,可以避免未能向模板提供所需的所有参数值时可能产生的异常。
-------------------------------------------------
代码清单1-3:string_template_missing.py
---------------------------------------
import string
values = {'var': 'foo'}
t = string.Template("$var is here but $missing is not provided")
try:
print('substitute() :', t.substitute(values))
except KeyError as err:
print('ERROR:', str(err))
print('safe_substitute():', t.safe_substitute(values))
---------------------------------------
结果:
ERROR: 'missing'
safe_substitute(): foo is here but $missing is not provided
---------------------------------------
由于values字典中没有missing的值,所以substitute()会产生一个KeyError。safe_substitute()则不同,它不会抛出这个错误,而是会捕获这个错误并保留文本中的变量表达式。
1.1.3 高级模板
可以调整string.Template在模板体中查找变量名所使用的正则表达式模式,以改变它的默认语法。为此,一种简单的方法是修改delimiter和idpattern类属性。
代码清单1-4:string_template_advanced.py
-----------------------------------------
import string
class MyTemplate(string.Template):
delimiter = '%'
idpattern = '[a-z]+_[a-z]+'
template_text = '''
Delimiter : %%
Replaced : %with_underscore
Ignored : %notunderscored
'''
d = {
'with_underscore': 'replaced',
'notunderscored': 'not replaced',
}
t = MyTemplate(template_text)
print('Modified ID pattern: ')
print(t.safe_substitute(d))
------------------------------------------
Modified ID pattern:
Delimiter : %
Replaced : replaced
Ignored : %notunderscored
------------------------------------------
在这个例子中,替换规则已经改变,定界符是%而不是$,而且变量名中间的某个位置必须包含一个下划线。模式%notunderscored不会被替换为任何字符串,因为它不包含下划线字符。
要完成更复杂的修改,可以覆盖pattern属性并定义一个全新的正则表达式。所提供的模式必须包含4个命名组,分别捕获转义定界符、命名变量、加括号的变量名和不合法的定界符模式。
1.2 textwrap:格式化文本段落
fill()函数取文本作为输入,生成格式化文本作为输出。
1.2.3 去除现有的缩进
dedent()
docstring
dedent() 去除缩进
indent() 缩进
_Line_one.
___Line_one.
_Line_three.
1.2.4 结合dedent和fill
1.2.5 缩进块
indent()
文本的第一行,缩进。
>
1.2.7 截断长文本
1.3 re:正则表达式
regex 或 regexp
sed grep 和 awk
Perl Ruby Awk Tcl
C C++ Python
1.3.1 查找文本中的模式
compile() 函数
RegexObject
1.3.3 多重匹配
findall()函数
1.3.4.1 重复
{m,n}
{m,}