字符串 -- 不可改變的序列

如同大多數(shù)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(nèi)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(jié)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 failsTraceback (innermost last): File     "<stdin>", 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(guān)鍵字。它提供了兩個直觀有效的構(gòu)造：
in 關(guān)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(gòu)成字符串文字。可以使用單引號或雙引號，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     s2Mary had a little lambits fleece was white as snow    and     everywhere that Mary wentthe 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(yīng)該解釋規(guī)則表達式特殊字符。例如：
使用 "r-strings"

>>> s3 =     "this /n and /n that">>>     print     s3this    and    that>>> s4 = r    "this /n and /n that">>>     print     s4this /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(guī)反斜杠。在以后的規(guī)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(nèi)容。Python 將文本文件的內(nèi)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(shù)據(jù)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(nèi)容放到一個字符串變量中。然而 .read() 生成文件內(nèi)容最直接的字符串表示，但對于連續(xù)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(nèi)存，則不可能實現(xiàn)這種處理。

.readline() 和 .readlines() 非常相似。它們都在類似于以下的結(jié)構(gòu)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(nèi)容分析成一個行的列表，該列表可以由 Python 的 for ... in ... 結(jié)構(gòu)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(nèi)存可以一次讀取整個文件時，才應(yīng)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(zhuǎn)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(xué)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(shù)據(jù)庫），則程序結(jié)束時，它將消失。

標準模塊：string

string 模塊也許是 Python 1.5.* 標準發(fā)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(nèi)置字符串方法（在撰寫本文時，詳細信息尚未發(fā)布）。當然，任何執(zhí)行文本處理任務(wù)的程序也許應(yīng)該用以下這行開頭：
開始使用 string 的方法

      import string

一般經(jīng)驗法則告訴我們，如果 可以 使用 string 模塊完成任務(wù)，那么那就是 正確 的方法。與 re（規(guī)則表達式）相比，string 函數(shù)通常更快速，大多數(shù)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(wù)，但可移植性和熟悉性都建議只要可能就使用 string。如果您習(xí)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(shù)、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(jié)合這些方式來構(gòu)成幾種罕見的轉(zhuǎn)換）轉(zhuǎn)換字符串的函數(shù)。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(zhuǎn)換；可以在 Python 手冊中查找詳細信息。

還可以使用 string 函數(shù)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(jié)組之間轉(zhuǎn)換的迅捷方法，您會發(fā)現(xiàn)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(jié)構(gòu)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(yōu)點，不過這些優(yōu)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(fā)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(guī)則表達式仍將使用 re 模塊。

規(guī)則表達式很復(fù)雜。也許有人會撰寫關(guān)于這個主題的書，但實際上，已經(jīng)有許多人這樣做了！本文嘗試捕捉規(guī)則表達式的“完全形態(tài)”，讓讀者可以掌握它。

規(guī)則表達式是一種很簡練方法，用于描述可能在文本中出現(xiàn)的模式。是否會出現(xiàn)某些字符？是否按特定順序出現(xiàn)？子模式是否會重復(fù)一定次數(shù)？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(guī)則表達式的簡潔語法來編碼這種描述。

當處理規(guī)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(gòu)成了一個小程序。

從最小處著手。從最基本上看，任何規(guī)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。可以通過將類括在方括號內(nèi)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 literalMatch!>>>     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(guī)則表達式的“原子”，通常會將那些原子組合成“分子”。可以結(jié)合使用 分組和 循環(huán) 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(huán)的原子。循環(huán)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(guī)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(jié)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(nèi)部子表達式是什么呢？它以 d-w 范圍內(nèi)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(shù)字；然后有 零或一個 附加數(shù)字。（第一個數(shù)字字符類沒有循環(huán)運算符，所以它只出現(xiàn)一次。第二個數(shù)字字符類有 "?" 運算符。）總而言之，這將翻譯成“一個或兩個數(shù)字”。以下是一些與規(guī)則表達式匹配的字符串：
匹配樣本表達式的字符串

ABC1234567890XYZABCd12e1f37g3XYZABC1XYZ

還有一些表達式與規(guī)則表達式 不匹配（想一想，它們?yōu)槭裁床黄ヅ洌?br />不匹配樣本表達式的字符串

ABC123456789dXYZABCdefghijklmnopqrstuvwXYZABcd12e1f37g3XYZABC12345%67890XYZABCD12E1F37G3XYZ

需要一些練習(xí)才能習(xí)慣創(chuàng)建和理解規(guī)則表達式。但是，一旦掌握了規(guī)則表達式，您就具有了強大的表達能力。也就是說，轉(zhuǎn)而使用規(guī)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。