[Python] 02 - String

字符串 string

---

考点

Bytes类型

In Python 3, bytes contains sequences of 8-bit values, str contains sequences of
Unicode characters. bytes and str instances can’t be used together with operators
(like > or +).

在Python3以后，字符串和bytes类型彻底分开了。字符串是以字符为单位进行处理的，bytes类型是以字节为单位处理的。

创建、与字符串的相互转化如下：

# (1)
b = b''         # 创建一个空的bytes
b = byte()      # 创建一个空的bytes

# (2)
b = b'hello'    #  直接指定这个hello是bytes类型

# (3)
b = bytes('string',encoding='编码类型')  #利用内置bytes方法，将字符串转换为指定编码的bytes
b = str.encode('编码类型')   # 利用字符串的encode方法编码成bytes，默认为utf-8类型

bytes.decode('编码类型')：将bytes对象解码成字符串，默认使用utf-8进行解码。

基本性质和功能

不变性 Immutability

如果相变的话：string --> list --> string

string属性查看

>>> print(string.ascii_letters)
abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ
>>> print(string.ascii_lowercase)
abcdefghijklmnopqrstuvwxyz
>>> print(string.ascii_uppercase)
ABCDEFGHIJKLMNOPQRSTUVWXYZ
>>> print(string.hexdigits)
0123456789abcdefABCDEF
>>> print(string.digits)
0123456789
>>> print(string.octdigits)
01234567
>>> print(string.punctuation)
!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~

>>> print(string.printable[: 94])
0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~
>>> print(ascii(string.printable[94: ]))
' \t\n\r\x0b\x0c'
>>> print(ascii(string.whitespace))
' \t\n\r\x0b\x0c

基础功能函数

基础功能

S = 'Spam"

S.find('pa')

S.replace('pa', 'XYZ')

S.isalpha(),

S.isdigit()

In [5]: dir(S)
Out[5]: 

['__add__',
 '__class__',
 '__contains__',
 '__delattr__',
 '__dir__',
 '__doc__',
 '__eq__',
 '__format__',
 '__ge__',
 '__getattribute__',
 '__getitem__',
 '__getnewargs__',
 '__gt__',
 '__hash__',
 '__init__',
 '__iter__',
 '__le__',
 '__len__',
 '__lt__',
 '__mod__',
 '__mul__',
 '__ne__',
 '__new__',
 '__reduce__',
 '__reduce_ex__',
 '__repr__',
 '__rmod__',
 '__rmul__',
 '__setattr__',
 '__sizeof__',
 '__str__',
 '__subclasshook__',
 'capitalize',
 'casefold',
 'center',
 'count',
 'encode',
 'endswith',
 'expandtabs',
 'find',
 'format',
 'format_map',
 'index',
 'isalnum',
 'isalpha',
 'isdecimal',
 'isdigit',
 'isidentifier',
 'islower',
 'isnumeric',
 'isprintable',
 'isspace',
 'istitle',
 'isupper',
 'join',
 'ljust',
 'lower',
 'lstrip',
 'maketrans',
 'partition',
 'replace',
 'rfind',
 'rindex',
 'rjust',
 'rpartition',
 'rsplit',
 'rstrip',
 'split',
 'splitlines',
 'startswith',
 'strip',
 'swapcase',
 'title',
 'translate',
 'upper',
 'zfill']

dir(S)

查看说明：

help(S.replace)

split 分割的应用

去掉前后空格

先去掉前后空格，再分割的过程。

>>> s.strip().split(',')
['hello', ' world', ' hao', '', '123']

string自带的分割

提取括号中的内容，如下。

str="hello boy<[www.baidu.com]>byebye"

print(str.split("[")[1].split("]")[0])

www.baidu.com

sys自带的分割

os.path.split() 函数

import os

print(os.path.split('/dodo/soft/python/'))　　# path + filename
('/dodo/soft/python', '')

print(os.path.split('/dodo/soft/python'))
('/dodo/soft', 'python') 

文件后缀分割

filepath, tmpfilename = os.path.split(fileUrl)
shotname, extension = os.path.splitext(tmpfilename)

The os module contains two sub-modules os.sys (same as sys) and os.path that are dedicated to the system and directories; respectively.

import os

import os.sys

import os.path

读取输入

按行读取

逐行读取一行字符串

with open('somefile', 'r') as f:
    for line in f:
        print(line, end='')

"""
Hello
World
Python
"""

一次性全部读取到列表

with open('somefile','r') as f:
    content = list(f)
    print(content)
"""
['Hello\n', 'World\n', 'Python']
"""

以上的 list(f) 便是默认的readlines()；

with open('somefile','r') as f:
    content = f.readlines()
    print(content)
"""
['Hello\n', 'World\n', 'Python']
"""    

自动去掉”换行符“

with open('somefile','r') as f:
    content = f.read().splitlines()
    print(content)
"""
['Hello', 'World', 'Python']
"""

或者，自己手动使用 rstrip() 去掉结尾的“换行符号”；去掉行首就换为 strip()；

with open('somefile','r') as f:
    content = [line.rstrip('\n') for line in f]
    print(content)
"""
['Hello', 'World', 'Python']
"""   

enumerate 遍历

列表的遍历方法

>>>seq = ['one', 'two', 'three']
>>> for i, element in enumerate(seq):
...     print i, element

0 one
1 two
2 three

遍历 sys.stdout

with open('somefile', 'r') as f:
    for number, line in enumerate(f,start=1):
        print(number, line, end='')
"""
1 Hello
2 World
3 Python
"""

打印输出

外部设置：sys.stdout 方法

() 定好方向 --> () 然后输出

将“输出口”打印

>>> import sys # Printing the hard way
>>> sys.stdout.write('hello world\n')　　// 默认打印到屏幕
hello world

指定“输出口”的字符串来源

C:\code> c:\python33\python
>>> import sys
>>> temp = sys.stdout # Save for restoring later
>>> sys.stdout = open('log.txt', 'a') # Redirect prints to a file
>>> print('spam')                     # Prints go to file, not here
>>> print(1, 2, 3)
>>> sys.stdout.close()                # Flush output to disk

>>> sys.stdout = temp                 # Restore original stream
>>> print('back here')                # Prints show up here again
back here
>>> print(open('log.txt').read())     # Result of earlier prints
spam
1 2 3

• 内部设置：print(file=log) 方法【推荐】

log = open('log.txt', 'a')  # 3.X
print(x, y, z, file=log)    # Print to a file-like object
print(a, b, c)              # Print to original stdout

# 老版本
log = open('log.txt', 'a') # 2.X
print >> log, x, y, z      # Print to a file-like object
print a, b, c              # Print to original stdout

日志显示和保存都兼顾，怎么办？

暂时写个函数，包含两种打印好了。

from __future__ import print_function

打印函数

若干种打印格式

(1) C语言格式；(2) index方式；(3) auto index方式；(4) dict方式；

第1~3种方式

第4种方式

＃ Dictionary-Based Formatting Expressions

>>> '%(qty)d more %(food)s' % {'qty': 1, 'food': 'spam'}
'1 more spam'

String Formatting Expressions --> 具体参见：268/1594

‘数字’ 打印 美观化

(a) 小数保留几位

(b) 数字占用宽度

(c) 位置的小技巧

print('%2d-%02d' % (3, 1))

 3-01

其他技巧

• • ASCII查看

len(S)

ord('\n')  # 查看 ASCII

chr()   # 查看 对应的char  

• • \0: a binary zero byte

• • 多行打印

>>> msg = """
aaaaaaaaaaaaa
bbb'''bbbbbbbbbb""bbbbbbb'bbbb
cccccccccccccc
"""
>>> msg
'\naaaaaaaaaaaaa\nbbb\'\'\'bbbbbbbbbb""bbbbbbb\'bbbb\ncccccccccccccc\n'

• • Raw print

In [40]: r"C:\new\test.spm"
Out[40]: 'C:\\new\\test.spm'

• • str vs repr

From: http://blog.csdn.net/u013961718/article/details/51100464

1. str出来的值是给人看的字符串，
2. repr出来的值是给机器看的，括号中的任何内容出来后都是在它之上再加上一层引号。

日志函数

可以理解为更高级的打印方式，毕竟应用于项目中。

日志级别

五种日志类型

Ref: python logging 替代print 输出内容到控制台和重定向到文件

logging.DEBUG
logging.INFO
logging.WARNING
logging.ERROR
logging.CRITICAL

设置日志输出配置

Ref: python 的日志logging模块学习

import logging

logging.basicConfig(level    = logging.DEBUG,
format   = '%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s',
datefmt  = '%a, %d %b %Y %H:%M:%S',
filename = 'myapp.log',
filemode = 'w')

#logging.config模块可以通过加载配置文件，从来配置日志属性

logging.debug('This is debug message')
logging.info('This is info message')
logging.warning('This is warning message')

日志打印到：./myapp.log 文件

./myapp.log文件中内容为:
Sun, 24 May 2009 21:48:54 demo2.py[line:11] DEBUG This is debug message
Sun, 24 May 2009 21:48:54 demo2.py[line:12] INFO This is info message
Sun, 24 May 2009 21:48:54 demo2.py[line:13] WARNING This is warning 

将日志同时输出到 文件 和 屏幕

import logging

logging.basicConfig(level=logging.DEBUG,
                    format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s',
                    datefmt='%a, %d %b %Y %H:%M:%S',
                    filename='myapp.log',
                    filemode='w')

#################################################################################################
#定义一个StreamHandler，将INFO级别或更高的日志信息打印到标准错误，并将其添加到当前的日志处理对象#
console = logging.StreamHandler()
console.setLevel(logging.INFO)
formatter = logging.Formatter('%(name)-12s: %(levelname)-8s %(message)s')
console.setFormatter(formatter)
logging.getLogger('').addHandler(console)
#################################################################################################

logging.debug('This is debug message')
logging.info('This is info message')
logging.warning('This is warning message')

结果：

屏幕上打印:
root        : INFO     This is info message
root        : WARNING  This is warning message

./myapp.log文件中内容为:
Sun, 24 May 2009 21:48:54 demo2.py[line:11] DEBUG This is debug message
Sun, 24 May 2009 21:48:54 demo2.py[line:12] INFO This is info message
Sun, 24 May 2009 21:48:54 demo2.py[line:13] WARNING This is warning message

其他详见：六、Unicode Strings 160/1594，内容略

正则表达式 - Regex

---

正则引擎原理：[IR] XPath for Search Query

使用教程: 正则表达式30分钟入门教程

基础用法

re.match 法

典型应用：字符串信息提取，路径的提取；可以替代 split()。

In [8]: >>> import re
   ...:
   ...: >>> match = re.match('Hello[ \t]*(.*)world', 'Hello Python world')
   ...:
   ...: >>> match.group(1)
   ...:
Out[8]: 'Python '
--------------------------------------------------------------------------------------
In [9]: >>> match = re.match('[/:](.*)[/:](.*)[/:](.*)', '/usr/home:lumberjack')
   ...:
   ...: >>> match.groups()
   ...:
Out[9]: ('usr', 'home', 'lumberjack')
---------------------------------------------------------------------------------------
In [10]: >>> re.split('[/:]', '/usr/home/lumberjack')
Out[10]: ['', 'usr', 'home', 'lumberjack']

filter 筛选框架

一个简单的框架代码：

def filter_mail(emails):
    return list(filter(fun, emails))　　# 2.fun 是个自定义的函数，返回：True/False，也是个re.

if __name__ == '__main__':
    n = int(input())
    emails = []
    for _ in range(n):
        emails.append(input())　　      # 1.获取mail list

filtered_emails = filter_mail(emails)
filtered_emails.sort()                 # 3.排序
print(filtered_emails)

邮件格式匹配

Valid email addresses must follow these rules:

* It must have the [e-mail] format type.

* The username can only contain letters, digits, dashes and underscores.

* The website name can only have letters and digits.

* The maximum length of the extension is .

import re
re.search(r'^[A-Za-z0-9-_]+@[A-Za-z0-9]+\.\w?\w?\w$',s)  

正则表达式

限定符 与 元字符

限定符

元字符

常用例子

常见字符串匹配

# 先是一个单词hi，然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词

\bhi\b.*\bLucy\b

# 匹配以字母a开头的单词——先是某个单词开始处(\b)，然后是字母a，然后是任意数量的字母或数字(\w*)，最后是单词结束处(\b)。

\ba\w*\b

# 匹配以.tif结尾的单词

re.search( ".*\\.tif",f)]

# 匹配1个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次。

\d+

# 匹配刚好6个字符的单词。

\b\w{6}\b

# 填写的QQ号必须为5位到12位数字：开始--> ^ ... $ <--结束

^\d{5,12}$

电话号码 

# 中国的电话号码 - 简单版本

0\d\d-\d\d\d\d\d\d\d\d  　　如下改进版
0\d{2}-\d{8}

# 匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。

• • • 首先是一个转义字符\(,它能出现0次或1次(?),
    • 然后是一个0，后面跟着2个数字(\d{2})，
    • 然后是)或-或空格中的一个，它出现1次或不出现(?)，
    • 最后是8个数字(\d{8})

\(?0\d{2}[) -]?\d{8}

However，也能匹配010)12345678或(022-87654321这样的“不正确”的格式。

那，怎么办？-- 分枝条件

# 匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。

0\d{2}-\d{8}|0\d{3}-\d{7}

继续补充。。。用到再说。