《Python Cookbook v3.0.0》Chapter2 字符串、文本

感谢：
https://github.com/yidao620c/python3-cookbook
如有侵权，请联系我整改。

本文章节会严格按照原书（以便和原书对照，章节标题可能会略有修改），内容会有增删。

2.1 用界定符分割字符串

string.split()可用于简单的分割，
复杂的使用re，
import re
示例，

>>> line = 'asdf fjdk; afed, fjek,asdf, foo'
>>> re.split(r'[;,\s]\s*', line)
['asdf', 'fjdk', 'afed', 'fjek', 'asdf', 'foo']

注意，捕捉的时候，以下3种情况，

>>> re.split(r'([;,\s])\s*',line)  //写法1
['asdf', ' ', 'fjdk', ';', 'afed', ',', 'fjek', ',', '|asdf', ',', 'foo']
>>> re.split(r'(;|,|\s)\s*',line)  //写法2
['asdf', ' ', 'fjdk', ';', 'afed', ',', 'fjek', ',', '|asdf', ',', 'foo']
>>> re.split(r'(;,\s)\s*',line)    //不匹配的情况，返回原序列
['asdf fjdk; afed, fjek,|asdf, foo']

捕获后，可以用切片来分别获取值和分隔符，像这样，

>>> fields=re.split(r'(;|,|\s)\s*',line)
>>> fields[::2]
['asdf', 'fjdk', 'afed', 'fjek', '|asdf', 'foo']
>>> fields[1::2]
[' ', ';', ',', ',', ',']

然后可以像这样重组，注意，分隔符比值少一个，需要补一个，否则会丢一个数据，

>>> ''.join(v+d for v,d in zip(fields[::2],fields[1::2]))
'asdf fjdk;afed,fjek,|asdf,'
>>> ''.join(v+d for v,d in zip(fields[::2],fields[1::2]+['']))
'asdf fjdk;afed,fjek,|asdf,foo'

2.3 用Shell通配符匹配字符串

与操作系统耦合。暂不考虑去用它。

2.4 字符串匹配和搜索

text.startswith()以xxx开头，
text.endswith()以xxx结尾，
text.find()查找xxx的位置，返回下标，

startwith()、endswith()支持多个匹配，比如name.endswith(('.c', '.h'))，
但是，它们必须传入tupple，所以如果不是tupple，需要先转换成tupple。
复杂匹配可以用re，
import re
示例，

>>> text
'today is 11/27/2012. pycon starts 3/13/2013.'
>>> datepat = re.compile(r'(\d+)/(\d+)/(\d+)')
>>> datepat
re.compile('(\\d+)/(\\d+)/(\\d+)')
>>> datepat_no_capture = re.compile(r'\d+/\d+/\d+')
>>> datepat_no_capture
re.compile('\\d+/\\d+/\\d+')
>>> datepat.findall(text)
[('11', '27', '2012'), ('3', '13', '2013')]
>>> datepat_no_capture.findall(text)
['11/27/2012', '3/13/2013']

re.compile预编译为模式对象，效率更高，
注意，datepat和datepat_no_capture的差异，前者带()，后者没有，
带()意味着捕获分组，结果以tupple形式返回，以便对每一项做后续处理

在正则表达式中，r，表示原始字符串，否则反斜杠也需要转义，'(\\d+)/(\\d+)/(\\d+)'

除了findall()，match()可以用来从头（起始）匹配，尾部不管，
示例，

>>> datepat.match('11/27/2012')
<re.Match object; span=(0, 10), match='11/27/2012'>
>>> datepat.match('x11/27/2012')
>>> datepat.match('11/27/2012x')
<re.Match object; span=(0, 10), match='11/27/2012'>
>>> m=datepat.match('11/27/2012x')
>>> m.group(0)  //同m[0]
'11/27/2012'
>>> m.group(1)  //同m[1]
'11'
>>> m.group(3)
'2012'
>>> m.groups()
('11', '27', '2012')

注意，m.group(0)，0表示整个内容，group中的每一项，idx从1开始
同时，m.group(x)和m[x]是等价的

与findall()类似的，还有finditer()，前者返回的是<tupple>，或者是<re.Match>，也就是上面的m，

示例，

>>> it=datepat.finditer(text)
>>> it
<callable_iterator object at 0x0000000003B9F5E0>
for item in it:
    print(item[0])
    
11/27/2012
3/13/2013
for item in datepat.findall(text):
    print(type(item))

<class 'tuple'>
for item in datepat.finditer(text):
    print(type(item))
    
<class 're.Match'>

2.5 字符串的搜索和替换

简单替换可使用str.replace()，
复杂的，还是用re，
示例，

>>> datepat = re.compile(r'(\d+)/(\d+)/(\d+)')
>>> datepat.sub(r'\3-\1-\2', text)
'Today is 2012-11-27. PyCon starts 2013-3-13.'

不过这里要注意，m[0]或者m.group(0)表示第0组，
上面的\3表示第三组，但是不能用\0! 否则，结果就是，
'Today is \x00. PyCon starts \x00.'

2.6 字符串的搜索和替换（忽略大小写）

re接口支持指定flags，针对大小写，是re.IGNORECASE，
示例，

>>> re.findall('python', text, flags=re.IGNORECASE)
>>> re.sub('python', 'snake', text, flags=re.IGNORECASE)

需要注意的是，上面的sub例子，不论text中是PYTHON还是python，都会替换成小写的snake，
如果有保持原大小写不变替换的需求，可以给sub传入一个回调，回调的入参是match对象，比如，

def matchcase(word):
  def replace(m):
    text = m.group()
    if text.isupper():
      return word.upper()
    elif text.islower():
      return word.lower()
    elif text[0].isupper():
      return word.capitalize()
    else:
      return word
  return replace
>>> re.sub('python', matchcase('snake'), text, flags=re.IGNORECASE)
'UPPER SNAKE, lower snake, Mixed Snake'

2.7 贪婪匹配和最短匹配

*，贪婪匹配，
?，最短匹配，
示例，

>>> str_pat=re.compile(r'\"(.*)\"')
>>> text2='aaaa"skldjsdlkfjs"---sksksks---"aabcdd"00000'
>>> str_pat.findall(text2)
['skldjsdlkfjs"---sksksks---"aabcdd']
>>> str_pat2=re.compile(r'\"(.*?)\"')
>>> str_pat2.findall(text2)
['skldjsdlkfjs', 'aabcdd']

2.8 多行匹配

如果字符串是跨行的，比如，

>>> text2 = '''/* this is a
... multiline comment */
... '''

这时，用上文的匹配是匹配不到的，需要如下，

>>> comment = re.compile(r'/\*((?:.|\n)*?)\*/')

[TODO] 仍没有搞清楚?:的含义，看着像三元表达式，但是写法又不是三元表达式的写法
注意，.|\n的原因是，.无法匹配换行符，
不过，re.compile()接受re.DOTALL，如字面意思，dot all，点可匹配任意字符，

>>> comment = re.compile(r'/\*((?:.|\n)*?)\*/')
```python
>>> comment = re.compile(r'/\*(.*?)\*/', re.DOTALL)

2.9 去除多余字符

str.strip()
默认会去除首尾，空格、换行，
可以带参，比如，

>>> s='    lksajkfaslkjf  slslsl aaa   \n\n\n    '
>>> s.strip()
'lksajkfaslkjf  slslsl aaa'
>>> s2='    lksajkfaslkjf  slslsl aaa   \n\n\n  ccc  '
>>> s2.strip()
'lksajkfaslkjf  slslsl aaa   \n\n\n  ccc'
>>> s3='  ----===  lksajkfaslkjf  slslsl aaa   \n\n\n  ccc  ======---'
>>> s3.strip(' -=')
'lksajkfaslkjf  slslsl aaa   \n\n\n  ccc'

如果要去除中间的，需要用替换，比如str.replace()，re.sub()，注意，两者都不会改变原字符串，
示例，

>>> s.replace(' ','')
'lksajkfaslkjfslslslaaa\n\n\n'
>>> s
'    lksajkfaslkjf  slslsl aaa   \n\n\n    '
>>> re.sub('\s+',' ',s)
' lksajkfaslkjf slslsl aaa '

其中，\s在正则中表示空白字符，包括，空格、制表、换行

文中，举了一个文件操作的例子，使用生成器，

with open(filename) as f:
  lines = (line.strip() for line in f)
  for line in lines:
    print(line)

(line.strip() for line in f)创建的是一个生成器，并不会预读所有数据，省空间，且高效

2.13 字符串对齐

string提供了ljust(),rjust(),center()，默认用空格对齐，可带参，用某个字符对齐，
但推荐更通用的format，format不单可格式化字符串，也可以格式化数字，
示例，

>>> s='abc'
>>> format(s,'>7')
'    abc'
>>> format(s,'^7')
'  abc  '
>>> format(s,'*^7')
'**abc**'
>>> format(s,'*^8')  //注意，中间对齐，会往前靠，右边多个*
'**abc***'
>>> format(s,'*<8')
'abc*****'
>>> x=123.4234631
>>> format(x,'^10.2f')
'  123.42  '

如果需要格式化多个值，可以这样，

>>> '{}{}'.format('aa','bbb')
'aabbb'
>>> '{:>10}{:>10}'.format('aa','bbb')
'        aa       bbb'

[TODO] 不清楚这里的:是什么含义，不加，则报错

2.14 拼接字符串

简单的拼接可以用+，比如，a+b，
但是+会拷贝一个对象，还有垃圾回收，尽量不用或少用，
可以用join()，
示例，

>>> parts = ['Is', 'Chicago', 'Not', 'Chicago?']
>>> ' '.join(parts)
'Is Chicago Not Chicago?'
>>> ','.join(parts)
'Is,Chicago,Not,Chicago?'

join()接受list、tupple等，也接受生成器表达式，比如，

>>> data = ['ACME', 50, 91.1]
>>> ','.join(str(d) for d in data)

2.15 字符串中插入变量

用format和format_map，
示例，

>>> s='{}{}---{}'
s
'{}{}---{}'
>>> s.format(1,2,3)
'12---3'
>>> s='{a}{b}---{c}'
>>> s.format(c=1,b=2,a=3)
'32---1'
>>> a=9
>>> b=8
>>> c=7
>>> s.format_map(vars())
'98---7'

vars()也接收class，

class info:
    def __init__(self,a,b,c):
        self.a=a
        self.b=b
        self.c=c
        
>>> ci=info(123,312,222)
>>> s.format_map(vars(ci))
'123312---222'

2.16 以指定列宽格式化字符串

import textwrap

>>> print(textwrap.fill(s, 70))  //列宽70
>>> print(textwrap.fill(s, 40))  //列宽40
>>> print(textwrap.fill(s, 40, initial_indent=' '))  //首行，空2格
>>> print(textwrap.fill(s, 40, subsequent_indent=' '))  //除首行外，空2格