Python中的文本(一)
本文主要记录和总结本人在阅读《Python标准库》一书,文本这一章节的学习和理解。
事实上在Python中,使用文本这种一些方法是特别经常使用的一件事。在一般的情况下,都会使用String这种一个类,应该算是Python中最基础的一个标准类了。
1.1 函数
string类中的capwords()和maketrans()。
capwords()的作用是将一个字符串中的全部单词的首字母大写。
maketrans()函数将创建转换表,能够translate()方法将一组字符改动成还有一组字符。这样的做法比重复调用replace()更为高效。
string中有一个叫模板的功能。
相同是用来做字符的拼接的。
高级的模板能够改动string.Template的默认语法,为此须要调整它在模板中查找变量名所使用的正則表達式。
#############################################################
#test about matetrans()
leet = string.maketrans('asdfghjk', '12345678')
print s.translate(leet)
print s #############################################################
#test about Template()
values = {'var':'foo'} t=string.Template("""
Variable : $var
Escape : $$
Variable in text: ${var}iable
""") print 'TEMPLATE:', t.substitute(values) s="""
Variable : %(var)ss Escape : %%
Variable in text: %(var)sssssiable
""" print 'INTERPOLATION:', s%values
1.2 textwrap()——格式化文本段落
作用:通过调整换行符在段落中出现的位置来格式化文本。
1.3 re-正則表達式
作用:使用形式化模式搜索和改动文本。
regular expression。
1.3.1 re中搜索文本中的模式。
import re print '-'*30
#about regular expression search() pattern = 'this'
text='Does this text match the pattern?' match = re.search(pattern, text) s=match.start()
e=match.end() print 'Dound "%s" \nin "%s" \nfrom %d to %d ("%s")' % \
(match.re.pattern,match.string,s,e,text[s:e]) #start()和end()方法能够给出字符串中对应的索引。
1.3.2 编译正則表達式
re包括一些模块级的函数。用于处理作为文本字符串的正則表達式。对于频繁使用的表达式,编译这些表达式会更加的高效。
compile()函数会把一个表达式字符串转换成为一个RegexObject。
print '-'*30
#about the Compile()
regexes=[re.compile(p)
for p in ['this','that']
]
text='Does this text match the pattern?' print 'Text: %r\n' % text for regex in regexes:
print 'seeking "%s" ->' % regex.pattern if regex.search(text):
print 'match!'
else:
print 'no match!'
模块级函数会维护已编译表达式的一个缓存。可是这个缓存的大小是有限的。直接使用已编译的表达式能够避免缓存查找开销。使用已编译表达式的还有一个优点是,把编译的过程进行了提前。在某种程度上优化了程序执行过程中的效率。
1.3.3 多重匹配
search()在前面中,是用来查找文本字符串中的单个实例。
findall()函数会返回输入中与模式匹配的,而不重叠的全部子串。
print '-'*30
#about the findall()
text = 'bbbbbababbababbabbbaba'
pattern = 'ba' for match in re.findall(pattern, text):
print match print '-'*30
#about the finditer()
#finditer会返回一个迭代器,能够生成match实例。而不像findall()是直接返回的字符串。 text='aaaadaaaaadadadada' pattern='da' for match in re.finditer(pattern,text):
s=match.start()
e=match.end()
print 'Found "%s" at %d:%d' % (text[s:e],s,e)
1.3.4 模式语法
Python的正則表達式的模式语法。
1.3.5 限制搜索
假设提前已经知道仅仅须要搜索整个输入的一个子集,能够告诉re先知搜索范围,从而进一步约束正則表達式。
print '-'*30
#一种iterall()的不太高效的实现方式。 text='this is some text -- with punctuation.' pattern=re.compile(r'\b\w*is\w*\b') print 'text:', text pos=0
while True:
match=pattern.search(text,pos)
print match
if not match:
break
s=match.start()
e=match.end()
print s,e
print '%d: %d = "%s"' % (s,e-1,text[s:e])
pos=e
Python中的文本(一)的更多相关文章
- python中的文本操作
python如何进行文本操作 1.能调用方法的一定是对象,比如数值.字符串.列表.元组.字典,甚至文件也是对象,Python中一切皆为对象. str1 = 'hello' str2 = 'world' ...
- python中使用%与.format格式化文本
初学python,看来零零碎碎的格式化文本的方法,总结一下python中格式化文本的方法.使用不当的地欢迎指出谢谢. 1.首先看使用%格式化文本 常见的占位符: 常见的占位符有: %d 整数 %f 浮 ...
- 使用Python中的NLTK和spaCy删除停用词与文本标准化
概述 了解如何在Python中删除停用词与文本标准化,这些是自然语言处理的基本技术 探索不同的方法来删除停用词,以及讨论文本标准化技术,如词干化(stemming)和词形还原(lemmatizatio ...
- Python数据类型之“文本序列(Text Sequence)”
Python中的文本序列类型 Python中的文本数据由str对象或字符串进行处理. 1.字符串 字符串是Unicode码值的不可变序列.字符串字面量有多种形式: 单引号:'允许嵌入"双&q ...
- 【转】Python数据类型之“文本序列(Text Sequence)”
[转]Python数据类型之“文本序列(Text Sequence)” Python中的文本序列类型 Python中的文本数据由str对象或字符串进行处理. 1.字符串 字符串是Unicode码值的不 ...
- Pandas: 如何将一列中的文本拆分为多行? | Python
Pandas: 如何将一列中的文本拆分为多行? 在数据处理过程中,经常会遇到以下类型的数据: 在同一列中,本该分别填入多行中的数据,被填在一行里了,然而在分析的时候,需要拆分成为多行. 在上图中,列名 ...
- 学习笔记--python中使用多进程、多线程加速文本预处理
一.任务描述 最近尝试自行构建skip-gram模型训练word2vec词向量表.其中有一步需要统计各词汇的出现频率,截取出现频率最高的10000个词汇进行保留,形成常用词词典.对于这个问题,我建立了 ...
- 使用Python中的HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies(二)(转)
对搜索引擎.文件索引.文档转换.数据检索.站点备份或迁移等应用程序来说,经常用到对网页(即HTML文件)的解析处理.事实上,通过 Python语言提供的各种模块,我们无需借助Web服务器或者Web浏览 ...
- [译]使用BeautifulSoup和Python从网页中提取文本
如果您要花时间浏览网页,您可能遇到的一项任务就是从HTML中删除可见的文本内容. 如果您使用的是Python,我们可以使用BeautifulSoup来完成此任务. 设置提取 首先,我们需要获取一些HT ...
随机推荐
- angular实现简单的pagination分页组件
不想使用第三方库,只想使用一个分页器,那么就简单的实现一个,效果如下: 1.使用方式: <custom-pagination *ngIf="enterpriseList.length& ...
- class-dump 和 iOSOpenDev 的使用
class-dump 官网地址:这里 我这里下载的是 class-dump-3.5.dmg 版本号的. 双击.dmg 文件,将 拉倒 /usr / local / bin 文件夹下,这样就能够在终端 ...
- [Python] Python list slice syntax fun
# Python's list slice syntax can be used without indices # for a few fun and useful things: # You ca ...
- Think Pad笔记本分区解决思路及方法
Think pad笔记本分区解决思路及方法 近日好友拿着新买的Thinkpad X300过来找我,说这个笔记本只有一个分区,所有的东西不得放在C盘,希望再多分出几个分区.抱怨原先在wind ...
- $.each(data, function (index, value) { })的用法;json和list<>的互相转换
在json中常常碰到这样的代码: jquery $.each(data, function (index, value) { }) 遍历处理data,可以是数组.DOM.json等,取决于直接给 ...
- Kinect 开发 —— Kinect studio
This tool can record all the data coming into an application from a Kinect unit. You can then view, ...
- python爬虫之『入门基础』
HTTP请求 1.首先需要了解一下http请求,当用户在地址栏中输入网址,发送网络请求的过程是什么? 可以参考我之前学习的时候转载的一篇文章一次完整的HTTP事务过程–超详细 2.还需要了解一下htt ...
- Java第三方工具库/包汇总
一.科学计算或矩阵运算库 科学计算包: JMathLib是一个用于计算复杂数学表达式并能够图形化显示计算结果的Java开源类库.它是Matlab.Octave.FreeMat.Scilab的一个克隆, ...
- ln用法
第一部分: 建立简单的硬连接: ln ./wwy.gif ./wwy_ln (第二个参数为新建的连接文件,建立前不存在),则任意一个文件变化,另一个也变化:大小为一个文件的大小:硬连接只能建在同一个分 ...
- 洛谷 P3505 [POI2010]TEL-Teleportation
P3505 [POI2010]TEL-Teleportation 题目描述 King Byteasar is the ruler of the whole solar system that cont ...