python进阶：字符串和文本处理

字符串是一种重要的数据形式，有价值的程序都会涉及到对于字符串的处理。幸运的是，强大的python内置了很多函数，来帮助我们解析和处理字符串。本文会涉及到字符串编码，简单的字符串处理函数。

字符串编码

在 Python3 中，文本总是 Unicode, 由 str 类型进行表示，二进制数据使用 bytes 进行表示。不会出现python2种将 str 与 bytes 偷偷的混在一起的情况，使得两者的区别更加明显[1]。

我们知道，计算机储存的都是二进制信息，二进制信息有很多种编码方式来表示字符，有的编码方式叫BIG-5，有的编码方式叫GBK，有的编码方式叫UTF-8，不一而足。

在python3中，默认的编码方式是UTF-8。python内置了可以处理字符串的decode()函数和encode()函数，decode()函数将其它编码的字符串转化为UTF-8，encode()函数将UTF-8编码转化为其它编码[2]。

拼接字符串

使用+拼接少量字符串，形式简洁，速度很快。比如：

>>> string_1 = "Hello"
>>> string_2 = "World"
>>> string = string_1 + string_2
>>> print(string)
HelloWorld

对于已知值的字符串，可以依次打出其值并赋值给一个字符串变量，也可以实现字符串的连接。

# 无需加号的连接
>>> string_3 = "Hello" "World"
>>> print(string_3)
HelloWorld

随着字符串数量的增多，字符串连接的效率会迅速降低[3]。这时就需要使用join()方法，它本质上是一个函数。join()是专属于字符串的一种方法，字符串后面只要加上一个点，就能够使用该方法。

>>> parts = ['Is', 'Chicago', 'Not', 'Chicago?']
# 用空格连接
>>> ' '.join(parts)
'Is Chicago Not Chicago?'
# 用逗号连接
>>> ','.join(parts)
'Is,Chicago,Not,Chicago?'
# 不使用任何字符，直接连接
>>> ''.join(parts)
'IsChicagoNotChicago?'

多个需要连接的字符串，一般会放在列表里面。然后使用join()方法连接。注意，在','.join(parts)中，parts表示待连接的字符串，逗号意味着：每个字符串之间用逗号连接。

拆分字符串

字符串的分割需要用到split()方法，它也是python的内置函数，专门用于拆分字符串。函数split()只接受一个参数，这个参数决定了字符串应该在何处拆分。

>>> line = 'Is Chicago Not Chicago?'
# 用逗号分隔
>>> parts = line.split(' ')
>>> print(parts)
['Is', 'Chicago', 'Not', 'Chicago?']
# 拆分和连接是互逆的，先拆分后连接，还是原来的字符串
>>> ' '.join(line.split(' ')) == line
True

如果想在多个字符处分隔应该怎么办呢？聪明的你不难想到，多次使用split()方法，每次使用不同的字符。具体见下面的例子：

现在我们还没有学到列表连接的方法，暂且使用+。和字符串的连接类似，用+连接列表也会有性能问题，这时需要用到append()方法，感兴趣的同学可以查阅相关资料。

首尾字符过滤

首尾字符过滤用strip()方法，strip()默认过滤掉空格' '和换行`\n``，也可以指定过滤的字符。具体可以看下面的例子：

# 默认过滤首尾空格和换行符号
>>> line = '  Hello, world!  \n'
>>> line.strip()
'Hello, world!'

# 过滤掉'?'
>>> line = 'Is Chicago Not Chicago?'
>>> line.strip('?')
'Is Chicago Not Chicago'

字符的查找和替换

查找的方法是find()，用法和上面的类似，具体用法请看下面的例子。

>>> line = 'Hello, world!\n'
>>> line.find('o')
4

123find()方法，从字符串的开头开始寻找目标字符，遇到第一个符合的字母就停止寻找，并返回该字符的序号。

# 根据空格和字母c，拆分字符串line
>>> line = 'Is Chicago Not Chicago?'
>>> part_1 = line.split(' ')
>>> print(part_1)
['Is', 'Chicago', 'Not', 'Chicago?']
>>> part_2 = []
>>> for index in part_1:
···     part_2 = part_2 + index.split('c')
>>> print(part_2)
['Is', 'Chi', 'ago', 'Not', 'Chi', 'ago?']

替换的方法是：replace()，基本的使用格式是：字符串.replace(参数1, 参数2)，参数1表示要被替换的字符，参数2表示替换成的字符。具体见下面的例子：

>>> line = 'Hello, world!\n'
>>> line.replace('\n', '\r')
'Hello, world!\n'

# 一次性替换全部
>>> line.replace('o', 'a')
'Hella, warld!\n'

replace()方法不是惰性的，它会把所有符合条件的字符都替换成目标字符。

总结

1. python3默认编码是UTF-8，其它编码转换成UTF-8需要使用decode()方法
2. 少量拼接使用+，大量字符串拼接需要使用join()方法
3. 拆分字符串需要使用split()方法，可以自定义拆分的基准字符
4. strip()可以实现过滤首尾的特定字符，默认过滤空格和换行
5. 字符的查找和替换分别使用find()和replace()方法

思考

# 根据一种字符串分隔字符只需要用split()方法
# 两次使用split()方法也可以实现按两种字符分隔字符串
# 请编写一个函数，将任意一个字符串按任意两个字符分隔
# 比如输入字符串：'Hello, welcome to congge python'
# 分隔参数：空格和英文逗号
# 输出：['Hello', 'welcome', 'to', 'congge', 'python']

def my_split(string, character1, character2):
    array = string.split(character1)
    output = []
    for i in array:
        output = output + i.split(character2)
    return output

参考资料

1. 《Python 2与Python 3版本和编码的对比》原文链接：http://www.jb51.net/article/105518.htm
2. 《Python字符串的编码与解码》原文链接：http://blog.csdn.net/qq_15437667/article/details/52719297
3. 《合并拼接字符串》原文链接：http://python3-cookbook-zh.readthedocs.io/en/latest/c02/p14_combine_and_concatenate_strings.html

扫一扫这个二维码，关注公众号：聪哥python，获取最新python3基础教程

聪哥python