文本和字符串(一)

---

更新信息
2018-11-19 更新 re.split()

---

分割

split
通过 URL 地址，得到主机名和域名

In [41]: url = 'www.sharkyun.com'

In [42]: host, domain = url.split('.', 1)

In [43]: host
Out[43]: 'www'

In [44]: domain
Out[44]: 'sharkyun.com'

把下面的模块路径分隔开来，分别得到包和模块名

# 下面是目录结构
mod
└── plugins
    └── cpu.py

cpu.py 中有一个类

class CPU:
    def __init__(self):
        pass

我们可以这样分隔它

plugin_path = 'mod.plugins.cpu'

mod_path, cls_name = plugin.rsplit('.', 1)

输出

In [59]: mod_path
Out[59]: 'mod.plugins'

In [60]: cls_name
Out[60]: 'cpu'

也许你会遇到更为复杂的情况， 如：

In [1]: s = 'hello xiguatian;  vars, id,def, foo'

想得到所于的英文字符，之用字符串的 split() 方法是不够的，正确的是使用 re.split()

In [2]: import re

In [3]: re.split(r'[\s;,]+', s)
Out[3]: ['hello', 'xiguatian', 'vars', 'id', 'def', 'foo']

---

用Shell通配符匹配字符串

如何利用 shell 里的通配符去匹配字符串,比如用 *.log 去匹配 access.log 等。
fnmatch 模块提供了两个函数—— fnmatch()和 fnmatchcase() ，可以用来实现这样的匹配。
用法如下：

In [3]: fnmatch('cpu.py', '*.py')
Out[3]: True

In [4]: fnmatch('cpu.py', '?pu.py')
Out[4]: True

In [5]: fnmatch('data10.py', 'data[0-9][0-9].py')
Out[5]: True

fnmatch() 函数在类 linux 平台中是区分大小写的，而在 Windows 下是不区分的.

# On OS X (Mac)
In [6]: ffnmatch('foo.txt', '*.TXT')
Out[6]: False
# On Windows
In [7]: ffnmatch('foo.txt', '*.TXT')
Out[7]: True

fnmatchcase() 函数可以绝对的区分大小写

In [14]: fnmatchcase('foo.txt', '*.TXT')
Out[14]: False

注意：上面的第一个参数，对于这两个函数只是字符串而已，python 不会判断是否是文件名。所以你若是相对文件名做匹配，请使用 glob 模块。

假如有如下大学信息

star_rating = [
    "北京大学 8星级",
    "清华大学 8星级",
    "中国人民大学 8星级",
    "北京师范大学 6星级",
    "北京航空航天大学 6星级",
    "北京理工大学 5星级",
    "中国农业大学 6星级",
    "北京交通大学 4星级",
    "北京科技大学 4星级",
    "北京协和医学院 6星级"
]

找到 6 到 8 星级的大学

university = [star for star in star_rating if fnmatchcase(star, '*[6-8]星级') ]

print(university)

输出结果

['北京大学 8星级', 
 '清华大学 8星级', 
'中国人民大学 8星级',
 '北京师范大学 6星级', 
'北京航空航天大学 6星级',
 '中国农业大学 6星级', 
'北京协和医学院 6星级'
]

---

搜索替换

replace()

s = "shark www.sharkyun.com"

# 把 shark 换成 xiguatian
s = s.replace('shark', 'xiguatian')

输入结果

print(s)
xiguatian www.xiguatianyun.com

当然，事情往往不总是都是那么多称心如意。比如:
将形式为 11/16/2018 的日期字符串改成 2018-11-16 。
这时候，就要使用杀手锏正则模块 re
re 模块中的 sub() 函数可以为我们办的。代码如下：

import re

text = 'Today is 11/16/2018.'

re.sub(r'(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text)

输出结果

'Today is 2018-11-16.'

\1 \2 \3 是对前面小括号内模式的匹配结果的都捕获，就是分组。

如果有个正则的模式可能需要多次使用，那就要考虑先编译它来提升性能。

import re

datepat = re.compile(r'(\d+)/(\d+)/(\d+)')
datepat.sub(r'\3-\1-\2', text)

假如，想知道有多少替换发生了，可以使用 re.subn() 来代替。比如：

In [31]: text = 'Today is 11/16/2018.'

In [32]: new_text, n = re.subn(r'(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text)

In [33]: new_text
Out[33]: 'Today is 2018-11-16.'

In [34]: n
Out[34]: 1

更加复杂的替换需求：把其中的月份 11 改为 Nov
预备知识:

In [47]: from calendar import month_abbr

In [48]: month_abbr[1]
Out[48]: 'Jan'

In [49]: month_abbr[11]
Out[49]: 'Nov'

month_abbr 是一个可被迭代对对象，里面存放了 12 个月份的英文3个字母的缩写, 第一个位置为空的字符串 '', 我们可以通过索引号1-12进行分别取值。

开始正题：
更加复杂的替换，可以传递一个替换回调函数给 sub() 函数。

import re
from calendar import month_abbr

text = 'Today is 11/16/2018.'

def change_date(m):
    mon_name = month_abbr[int(m.group(1))]
    return '{} {} {}'.format(m.group(2), mon_name, m.group(3))

new_text = re.sub(r'(\d+)/(\d+)/(\d+)', change_date, text)

输出结果

print(new_text)
Today is 16 Nov 2018.

替换回调函数的参数是一个 match 对象，也就是 match()返回的对象。
这里我接着使用 group() 方法来提取特定的匹配部分。
回调函数最后返回替换后的字符串。