python3-cookbook笔记：第二章 字符串和文本

python3-cookbook中每个小节以问题、解决方案和讨论三个部分探讨了Python3在某类问题中的最优解决方式，或者说是探讨Python3本身的数据结构、函数、类等特性在某类问题上如何更好地使用。这本书对于加深Python3的理解和提升Python编程能力的都有显著帮助，特别是对怎么提高Python程序的性能会有很好的帮助，如果有时间的话强烈建议看一下。

本文为学习笔记，文中的内容只是根据自己的工作需要和平时使用写了书中的部分内容，并且文中的示例代码大多直接贴的原文代码，当然，代码多数都在Python3.6的环境上都验证过了的。不同领域的编程关注点也会有所不同，有兴趣的可以去看全文。

python3-cookbook：https://python3-cookbook.readthedocs.io/zh_CN/latest/index.html

 2.1 使用多个界定符分割字符串

一般字符串的分割用str.split足以胜任，但是在复杂的文本中查找分割字符串，正则表达式是无疑是首选的工具，re模块也有一个分割字符串的函数split，需要注意的是正则表达式中如果有括号分组的话，分组的结果也会在结果列表中。

>>> import re
>>> line = 'asdf fjdk; afed, fjek,asdf, foo'
>>> re.split(r'[;,\s]\s*', line)
['asdf', 'fjdk', 'afed', 'fjek', 'asdf', 'foo']
>>> fields = re.split(r'(;|,|\s)\s*', line)  # 分组的内容也会出现在结果里
>>> fields
['asdf', ' ', 'fjdk', ';', 'afed', ',', 'fjek', ',', 'asdf', ',', 'foo']
>>> 

2.3 用Shell通配符匹配字符串

当字符串的匹配一般方法不能满足，但又不想用正则表达式那么复杂，可以考虑使用fnmatch.fnmatch或fnmatch.fnmatchcase，两者都可以使用Unix Shell中常用的通配符匹配字符串，区别在于前者使用的是操作系统的大小写敏感规则，后者则完全按照你写的内容去匹配。

>>> from fnmatch import fnmatch, fnmatchcase
>>> fnmatch('foo.txt', '*.txt')
True
>>> fnmatch('foo.txt', '?oo.txt')
True
>>> fnmatch('Dat45.csv', 'Dat[0-9]*')
True
>>> 

2.13 字符串对齐

字符串对齐是字符串格式化的一部分，对于普通的左对齐，右对齐和居中对齐可以使用字符串的ljust、rjust和center方法，也可以使用内置的format函数和字符串的format方法，文中推荐使用format，因为后者在字符串的格式化功能上更加的丰富和强大。

字符串的对齐工作中似乎并不常用，但我遇到过一个使用场景，就是使用字符串表示的二进制数时，需要用0或1来将字符串补齐为8位或者16位的字符串，这时字符串的对齐功能就排上用场了。

>>> text = 'Hello World'
>>> text.ljust(20)
'Hello World         '
>>> text.rjust(20)
'         Hello World'
>>> text.center(20)
'    Hello World     '
>>> text.rjust(20, '=')
'=========Hello World'
>>> text.center(20, '*')
'****Hello World*****'
>>> 

>>> # 格式化字符串
>>> format(text, '>20')
'         Hello World'
>>> format(text, '<20')
'Hello World         '
>>> format(text, '^20')
'    Hello World     '
>>> format(text, '=<20s')
'Hello World========='
>>> format(text, '*^20s')
'****Hello World*****'
>>> # 格式化数字
>>> x = 1.2345
>>> format(x, '^10.2f')
'   1.23   '
>>> # 字符串的format方法
>>> '{:>10s} {:>10s}'.format('Hello', 'World')
'     Hello      World'

2.16 以指定列宽格式化字符串

这个问题在打印信息或者在终端展示信息的时候可能会遇到，此时可以使用textwrap来指定输出列宽。

>>> import textwrap
>>> s = "Look into my eyes, look into my eyes, the eyes, the eyes, the eyes, not around the eyes, don't look around the eyes, look into my eyes, you're under."
>>> print(textwrap.fill(s, 70))
Look into my eyes, look into my eyes, the eyes, the eyes, the eyes,
not around the eyes, don't look around the eyes, look into my eyes,
you're under.
>>> print(textwrap.fill(s, 40))
Look into my eyes, look into my eyes,
the eyes, the eyes, the eyes, not around
the eyes, don't look around the eyes,
look into my eyes, you're under.
>>> print(textwrap.fill(s, 40, initial_indent='    '))
    Look into my eyes, look into my
eyes, the eyes, the eyes, the eyes, not
around the eyes, don't look around the
eyes, look into my eyes, you're under.
>>> print(textwrap.fill(s, 40, subsequent_indent='    '))
Look into my eyes, look into my eyes,
    the eyes, the eyes, the eyes, not
    around the eyes, don't look around
    the eyes, look into my eyes, you're
    under.
>>> 

2.17 在字符串中处理html和xml

在处理HTML或XML文本的时候，想要将如&entity;或&#code;替换为对应的文本，或者反过来操作，只需要使用对应解析器的工具函数即可，当然，如果你比较熟悉对应的解析器的话或许有更好的方法。

>>> import html
>>> s = 'Elements are written as "<tag>text</tag>".'
>>> print(s)
Elements are written as "<tag>text</tag>".
>>> print(html.escape(s))
Elements are written as &quot;&lt;tag&gt;text&lt;/tag&gt;&quot;.
>>> print(html.escape(s, quote=False))
Elements are written as "&lt;tag&gt;text&lt;/tag&gt;".
>>>
>>> from html.parser import HTMLParser
>>> s = 'Spicy &quot;Jalapeño&quot.'
>>> p = HTMLParser()
>>> p.unescape(s)
'Spicy "Jalapeño".'
>>>
>>> from xml.sax.saxutils import unescape
>>> t = 'The prompt is &gt;&gt;&gt;'
>>> unescape(t)
'The prompt is >>>'
>>> 

2.18 字符串令牌解析

令牌化字符串可以使用正则表达式的命名捕获分组来进行，语法为“(?P<group_name>)”，这个问题在解析用户自定义的计算公式字符串时会很有用。

解决这个问题时，可以考虑使用模式对象的scanner方法，并打包到一个生成器中使用。

import re

NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'
NUM = r'(?P<NUM>\d+)'
PLUS = r'(?P<PLUS>\+)'
TIMES = r'(?P<TIMES>\*)'
EQ = r'(?P<EQ>=)'
WS = r'(?P<WS>\s+)'

master_pat = re.compile('|'.join([NAME, NUM, PLUS, TIMES, EQ, WS]))
scanner = master_pat.scanner('foo = 42')
for m in iter(scanner.match, None):
    print(m.lastgroup, m.group())

NAME foo
WS
EQ =
WS
NUM 42