字符串 -- 不可改變的序列

如同大多數高級編程語言一樣，變長字符串是 Python 中的基本類型。Python 在“后臺”分配內存以保存字符串（或其它值），程序員不必為此操心。Python 還有一些其它高級語言沒有的字符串處理功能。

在 Python 中，字符串是“不可改變的序列”。盡管不能“按位置”修改字符串（如字節組），但程序可以引用字符串的元素或子序列，就象使用任何序列一樣。Python 使用靈活的“分片”操作來引用子序列，字符片段的格式類似于電子表格中一定范圍的行或列。以下交互式會話說明了字符串和字符片段的的用法：
字符串和分片

            
>>> s = 
    "mary had a little lamb"
>>> s[0] 
    # index is zero-based

    'm'
>>> s[3] = 
    'x' 
    # changing element in-place fails
Traceback (innermost last):
 File 
    "
            
              ", line 1, 
    in
     ?
TypeError: object doesn't support item assignment
>>> s[11:18] 
    # 'slice' a subsequence

    'little '
>>> s[:4] 
    # empty slice-begin assumes zero

    'mary'
>>> s[4] 
    # index 4 is not included in slice [:4]

    ' '
>>> s[5:-5] 
    # can use "from end" index with negatives

    'had a little'
>>> s[:5]+s[5:] 
    # slice-begin & slice-end are complimentary

    'mary had a little lamb'


            
          

另一個功能強大的字符串操作就是簡單的 in 關鍵字。它提供了兩個直觀有效的構造：
in 關鍵字

            
>>> s = 
    "mary had a little lamb"
>>> 
    for
     c 
    in
     s[11:18]: 
    print
     c, 
    # print each char in slice
...
l i t t l e
>>> 
    if
    'x' 
    in
     s: 
    print
    'got x' 
    # test for char occurrence
...
>>> 
    if
    'y' 
    in
     s: 
    print
    'got y' 
    # test for char occurrence
...
got y


          

在 Python 中，有幾種方法可以構成字符串文字?？梢允褂脝我柣螂p引號，只要左引號和右引號匹配，常用的還有其它引號的變化形式。如果字符串包含換行符或嵌入引號，三重引號可以很方便地定義這樣的字符串，如下例所示：
三重引號的使用

            
>>> s2 = 
    """Mary had a little lamb
... its fleece was white as snow
... and everywhere that Mary went
... the lamb was sure to go"""
>>> 
    print
     s2
Mary had a little lamb
its fleece was white as snow
    and
     everywhere that Mary went
the lamb was sure to go


          

使用單引號或三重引號的字符串前面可以加一個字母 "r" 以表示 Python 不應該解釋規則表達式特殊字符。例如：
使用 "r-strings"

            
>>> s3 = 
    "this \n and \n that"
>>> 
    print
     s3
this
    and

    that
>>> s4 = r
    "this \n and \n that"
>>> 
    print
     s4
this \n 
    and
     \n that


          

在 "r-strings" 中，可能另外組成換碼符的反斜杠被當作是常規反斜杠。在以后的規則表達式討論中會進一步說明這個話題。

文件和字符串變量

我們談到“文本處理”時，我們通常是指處理的內容。Python 將文本文件的內容讀入可以操作的字符串變量非常容易。文件對象提供了三個“讀”方法： .read()、.readline() 和 .readlines()。每種方法可以接受一個變量以限制每次讀取的數據量，但它們通常不使用變量。 .read() 每次讀取整個文件，它通常用于將文件內容放到一個字符串變量中。然而 .read() 生成文件內容最直接的字符串表示，但對于連續的面向行的處理，它卻是不必要的，并且如果文件大于可用內存，則不可能實現這種處理。

.readline() 和 .readlines() 非常相似。它們都在類似于以下的結構中使用：
Python .readlines() 示例

            
    fh = open(
    'c:\\autoexec.bat')
    for
     line 
    in
     fh.readlines():
 
    print
     line


          

.readline() 和 .readlines() 之間的差異是后者一次讀取整個文件，象 .read() 一樣。.readlines() 自動將文件內容分析成一個行的列表，該列表可以由 Python 的 for ... in ... 結構進行處理。另一方面，.readline() 每次只讀取一行，通常比 .readlines() 慢得多。僅當沒有足夠內存可以一次讀取整個文件時，才應該使用 .readline()。

如果正在使用處理文件的標準模塊，可以使用 cStringIO 模塊將字符串轉換成“虛擬文件”（如果需要生成模塊的子類，可以使用 StringIO 模塊，初學者未必要這樣做）。例如：
cStringIO 模塊

            
>>> 
    import
     cStringIO
>>> fh = cStringIO.StringIO()
>>> fh.write(
    "mary had a little lamb")
>>> fh.getvalue()
    'mary had a little lamb'
>>> fh.seek(5)
>>> fh.write(
    'ATE')
>>> fh.getvalue()
    'mary ATE a little lamb'


          

但是，請記住，cStringIO“虛擬文件”不是永久的，這一點與真正的文件不同。如果不保存它（如將它寫入一個真正的文件，或者使用 shelve 模塊或數據庫），則程序結束時，它將消失。

標準模塊：string

string 模塊也許是 Python 1.5.* 標準發行版中最常用的模塊。實際上，在 Python 1.6 或更高版本中，string 模塊中的功能將作為內置字符串方法（在撰寫本文時，詳細信息尚未發布）。當然，任何執行文本處理任務的程序也許應該用以下這行開頭：
開始使用 string 的方法

????? import string

一般經驗法則告訴我們，如果 可以 使用 string 模塊完成任務，那么那就是 正確 的方法。與 re（規則表達式）相比，string 函數通常更快速，大多數情況下他們更易于理解和維護。第三方 Python 模塊，包括某些用 C 編寫的快速模塊，適用于專門的任務，但可移植性和熟悉性都建議只要可能就使用 string。如果您習慣于使用其它語言，也會有例外，但不如您想像的那樣多。

string 模塊包含了幾種類型的事物，如函數、方法和類；它還包含了公共常量的字符串。例如：
string 用法例 1

            
>>> 
    import
     string
>>> string.whitespace
    '\011\012\013\014\015 '
>>> string.uppercase
    'ABCDEFGHIJKLMNOPQRSTUVWXYZ'


          

雖然可以用手寫出這些常量，string 版本或多或少確保了常量對于運行 Python 腳本的國家語言和平臺將是正確的。

string 還包括了以常見方式（可以結合這些方式來構成幾種罕見的轉換）轉換字符串的函數。例如：
string 用法例 2

            
>>> 
    import
     string
>>> s = 
    "mary had a little lamb"
>>> string.capwords(s)
    'Mary Had A Little Lamb'
>>> string.replace(s, 
    'little', 
    'ferocious')
    'mary had a ferocious lamb'


          

還有許多沒有在這里具體說明的其它轉換；可以在 Python 手冊中查找詳細信息。

還可以使用 string 函數來報告字符串屬性，如子串的長度或位置，例如：
string 用法例 3

            
>>> 
    import
     string
>>> s = 
    "mary had a little lamb"
>>> string.find(s, 
    'had')5>>> string.count(s, 
    'a')4


          

最后，string 提供了非常 Python 化的奇特事物。.split() 和 .join() 對提供了在字符串和字節組之間轉換的迅捷方法，您會發現它們非常有用。用法很簡單：
string 用法例 4

            
>>> 
    import
     string>>> s = 
    "mary had a little lamb"
>>> L = string.split(s)
>>> L
[
    'mary', 
    'had', 
    'a', 
    'little', 
    'lamb']
>>> string.join(L, 
    "-")
    'mary-had-a-little-lamb'


          

當然，除了 .join() 之外，也許會利用列表來做其它事（如某些涉及我們熟悉的 for ... in ... 結構的事情）。

標準模塊：re

re 模塊廢棄了在老的 Python 代碼中使用的 regex 和 regsub 模塊。雖然相對于 regex 仍然有幾個有限的優點，不過這些優點微不足道，不值得在新代碼中使用。過時的模塊可能會從未來的 Python 發行版中刪除，并且 1.6 版可能有一個改進的接口兼容的 re 模塊。所以，規則表達式仍將使用 re 模塊。

規則表達式很復雜。也許有人會撰寫關于這個主題的書，但實際上，已經有許多人這樣做了！本文嘗試捕捉規則表達式的“完全形態”，讓讀者可以掌握它。

規則表達式是一種很簡練方法，用于描述可能在文本中出現的模式。是否會出現某些字符？是否按特定順序出現？子模式是否會重復一定次數？其它子模式是否會排除在匹配之外？從概念上說，似乎不能用自然語言了直觀地描述模式。訣竅是使用規則表達式的簡潔語法來編碼這種描述。

當處理規則表達式時，將它作為它自己的編程問題來處理，即使只涉及一或兩行代碼；這些行有效地構成了一個小程序。

從最小處著手。從最基本上看，任何規則表達式都涉及匹配特定的“字符類”。最簡單的字符類就是單個字符，它在模式中只是一個字。通常，您希望匹配一類字符?？梢酝ㄟ^將類括在方括號內來表明這是一個類；在括號中，可以有一組字符或者用破折號指定的字符范圍。還可以使用許多命名字符類來確定您的平臺和國家語言。以下是一些示例：
字符類

            
>>> 
    import
     re
>>> s = 
    "mary had a little lamb"
>>> 
    if
     re.search(
    "m", s): 
    print
    "Match!" 
    # char literal
Match!
>>> 
    if
     re.search(
    "[@A-Z]", s): 
    print
    "Match!" 
    # char class
... 
    # match either at-sign or capital letter
...
>>> 
    if
     re.search(
    "\d", s): 
    print
    "Match!" 
    # digits class
...


          

可以將字符類看作是規則表達式的“原子”，通常會將那些原子組合成“分子”。可以結合使用 分組和 循環 來完成此操作。由括號表示分組：括號中包含的任何子表達式都被看作是用于以后分組或循環的原子。循環則由以下幾個運算符中的某一個來表示："*" 表示“零或多”；"+" 表示“一或多”；"?" 表示“零或一”。例如，請看以下示例：
樣本規則表達式

ABC([d-w]*\d\d?)+XYZ

對于要匹配這個表達式的字符串，它必須以 "ABC" 開頭、以 "XYZ" 結尾 -- 但它的中間必須要有什么呢？中間子表達式是 ([d-w]*\d\d?)，而且后面跟了“一或多”運算符。所以，字符串的中間必須包括一個（或者兩個，或者一千個）與括號中的子表達式匹配的字符或字符串。字符串 "ABCXYZ" 不匹配，因為它的中間沒有必要的字符。

不過這個內部子表達式是什么呢？它以 d-w 范圍內的 零或多個 字母開頭。一定要注意：零字母是有效匹配，雖然使用英語單詞 "some"（一些）來描述它，可能會感到很別扭。接著，字符串必須 恰好有一個數字；然后有 零或一個 附加數字。（第一個數字字符類沒有循環運算符，所以它只出現一次。第二個數字字符類有 "?" 運算符。）總而言之，這將翻譯成“一個或兩個數字”。以下是一些與規則表達式匹配的字符串：
匹配樣本表達式的字符串

            
ABC1234567890XYZ
ABCd12e1f37g3XYZ
ABC1XYZ


          

還有一些表達式與規則表達式 不匹配（想一想，它們為什么不匹配）：
不匹配樣本表達式的字符串

            
ABC123456789dXYZ
ABCdefghijklmnopqrstuvwXYZ
ABcd12e1f37g3XYZ
ABC12345%67890XYZ
ABCD12E1F37G3XYZ


          

需要一些練習才能習慣創建和理解規則表達式。但是，一旦掌握了規則表達式，您就具有了強大的表達能力。也就是說，轉而使用規則表達式解決問題通常會很容易，而這類問題實際上可以使用更簡單（而且更快速）的工具，如 string，來解決。