ARCHIV

Python (11.) - Řetězce

Jakým by Python byl programovacím jazykem, kdyby neumožňoval práci s řetězci znaků?

16.3.2005 15:00 | Aleš Hakl | Články autora | přečteno 28871×

Hned na začátku si řekněme, že Python rozlišuje dva druhy řetězců - "normální" řetězce a Unicode řetězce. "Normální" řetězec je posloupnost jednotlivých byte, se kterou se dá také po jednotlivých byte pracovat a bez problémů může obsahovat naprosto cokoli. Unicode řetězec je naopak posloupnost platných znaků Unicode (pokud tzv. surrogate pairs počítáme mezi znaky), nejmenší jednotkou, kterou můžeme adresovat, je tedy znak Unicode.

Řetězec se chová jako běžná seřazená posloupnost a podporuje stejné operace, které jsou uvedeny v dílu o operátorech. Za zmínku ovšem stojí, že Python (podobně jako např. Java) považuje řetězce za konstantní a nedovede jejich obsah měnit, narozdíl od výše zmíněné Javy ovšem ve standardní knihovně Pythonu nenalezneme prakticky použitelnou implementaci měnitelných řetězců (vysvětlení: implementaci nalezneme, ovšem je myšlena spíše jako ukázka toho, jaké by taková třída měla přibližně mít rozhraní a je tudíž značně neefektivní). Po chvíli programování ovšem často poznáme, že měnitelné řetězce mimo speciálních případů stejně vůbec k ničemu nepotřebujeme a bez problémů se bez nich obejdeme. Řetězec navíc podporuje další operace, jež nám umožnují s ním pracovat po větších úsecích než jednotlivé byte či znaky Unicode.

Myslím, že výčet všech metod, které řetězec implementuje není zajímavý (navíc je značně dlouhý) a případní zájemci si je dohledají v dokumentaci. Zmíním tedy pouze ty operace, které jsou nějakým způsobem zajímavé.

Formátování řetězců

Řetězce podporují operátor %, jenž slouží k nahrazení jejich speciálních částí jinými hodnotami, podobně jako například v C funkce snprintf(3).

Operátor dosadí hodnoty z n-tice či slovníku na jeho pravé straně do formátovacího řetězce na jeho levé straně a výsledek vrátí. Pokud na pravé straně uvedeme sekvenci hodnot, odkazujeme se na ně z řetězce číslem či pořadím ve formátovacím řetězci, pokud použijeme slovník, odkazujeme se jejich názvem.

Formátovací řetězec obsahuje speciální sekvence znaků, které budou ve výstupu nahrazeny odpovídající hodnotou. Takováto sekvence začíná znakem % a dále následuje:

• Pořadí hodnoty v n-tici(nepovinné) či klíč, pod kterým je hodnota dostupná ve slovníku(v případě použití slovníku pochopitelně povinné).
• Znaky specifikující další možnosti konverze:
  • # - před osmičkové číslo bude vložen znak 0, před šestnáctkové 0x.
  • 0 - čísla budou zarovnána nulami.
  • - - zarovnání doleva.
  •   - mezera na místě znaménka před kladnými čísly (správně to má být obyčejná ASCII mezera, ale napište ji rozumným způsobem do HTML)
  • + - znaménko + před kladnými čísly
• Minimální délka hodnoty na výstupu (nepovinná).
• Nepovinný znak ., za nímž následuje přesnost.
• Typ konverze:
  • d nebo i - Celé číslo se znaménkem
  • u - celé číslo bez znaménka
  • o - celé číslo v osmičkové soustavě
  • x (resp X) - celé číslo v šestnáctkové soustavě malými (resp. velkými) písmeny.
  • f - číslo s plovoucí řádovou čárkou
  • e, E, g, G - různé varianty formátů čísel s plovoucí řádovou čárkou.
  • s (resp. r) - Řetězcová reprezentace hodnoty získaná funkcí str() (resp. repr())
  • c - První znak řetězce.
  • % - znak %

Při použití n-tice hodnot je možné číselné parametry formátu (délka, přesnost) nahradit znakem *, v tom případě se na jejich místě použije následující hodnota z n-tice.

Několik příkladů:

>>> print "Na adrese %0#.8x doslo ke kriticke vyjimce %0.2X" % (123456789,14)
Na adrese 0x075bcd15 doslo ke kriticke vyjimce 0E
>>> print "%(kdo)s slaps %(koho)s with a large %(cim)s" % {"kdo": "Jarnik",
... "koho": "everyone",
... "cim": "plush totoro"}
Jarnik slaps everyone with a large plush totoro

Operátor % můžeme tedy použít pro jednoduché generování textu dosazením nějakých hodnot do předem připravené šablony. Je ovšem zřejmé, že pokud chceme provádět složitější nahrazení (seznamy, tabulky...), budeme se muset poohlednout po něčem lepším.

Jiné zajímavé operace

V řetězcích je samozřejmě možné vyhledávat výskyt jiných řetězců (metodou find() resp. rfind()), tyto metody vrací pozici výskytu nebo hodnotu -1 (v případě, že daný řetězec takový podřetězec neobsahuje)

>>> s = "foo bar quux bar"
>>> s.find("o b")
2
>>> s.rfind("bar")
13
>>> s.find("baz")    
-1

Dále nalezneme velkou skupinu metod, jež identifikují jaké znaky řetězec obsahuje, jedná se o isalnum(), isalpha(), isdigit(), islower(), isspace() a isupper(). Jejich význam předpoklám není nutno dále zkoumat, prostě vrátí True pokud řetězec obsahuje pouze znaky náležící do odpovídající kategorie.

Jednou z asi nejužitečnějších metod je split(), jež řetězec rozdělí do n-tice podle daného oddělovače (první argument), případně pouze do jistého počtu částí (druhý nepovinný argument) a zbytku řetězce. Také existuje metoda splitlines(), která řetězec rozdělí na řádky, její nepovinný argument určuje, zdali mají položky n-tice obsahovat také znak nové řádky (True) či nikoli (False).

>>> s = "foo bar quux bar"
>>> s.split(" ")
['foo', 'bar', 'quux', 'bar']
>>> s.split(" ",2)
['foo', 'bar', 'quux bar']

Zvláště při zpracování vstupu od uživatele oceníme metody strip(), lstrip() a rstrip(), které odstraňují prázdné znaky (mezera, tabulátor...) ze začátku a konce řetězce (resp. v případě metody lstrip() pouze začátku a metody rstrip() pouze konce).

Tento výčet metod samozřejmě zdaleka není úplný, vybral jsem pouze ty, které považuji nějakým způsobem za zajímavé a nejčastěji používané, jak již jsem jednou zmínil, úplný výčet je k nalezeni v dokumentaci.

Vylepšeme minulou ukázku

Nově nabyté znalosti řetězců můžeme aplikovat na ukázku z minulého dílu a program vylepšit o možnost kopírování delších bloků dat.

Provedeme to tak, že vstupní soubor rozšíříme o další sloupec obsahující počet bytů, které chceme zkopírovat. Pro získání jednotlivých sloupců použijeme metodu split().

#!/usr/bin/env python
# -*- coding: utf-8; -*-

import sys

src_name = raw_input("Jméno vstupního souboru?")
txt_name = raw_input("Jméno souboru se seznamem offsetů?")
dst_name = raw_input("Jméno výstupního souboru?")

txt = open(txt_name,'r')
src = open(src_name,'rb') 
dst = open(dst_name,'wb')

for l in txt.xreadlines():

    sloupce = l.strip().split(" ")

    # Zde by bylo vhodné zjistit jestli radka vstupu neobsahuje sloupců
    # přiliš, toto ovšem ponechám jako případné cvičení pro čtenáře.

    
    off = long(sloupce[0])   # první sloupec - offset
    size = long(sloupce[1])  # druhý sloupec - délka

    src.seek(off)            # nastavíme pozici

    blok = src.read(size)    # přečteme 1 byte

    if blok=='':       # případně upozorníme uživatele na možnou chybu

        sys.stderr.write("Offset za koncem vstupního souboru")

    dst.write(blok)

# uklidíme po sobě
src.close() 
dst.close() 
txt.close()

Osobně bych řekl, že úvodu do programovacího jazyku Python již byl dostatek a případné další vlastnosti si zvídavý čtenář jistě nalezne v dokumentaci sám a případný méně zvídavý čtenář počká, až na jejich využití narazíme v následující prohlídce standardní knihovny modulů jazyka Python. V dalším díle se tedy vrhneme na funkce, třídy a jiné hračky, jež nám standardní knihovna poskytuje.

Verze pro tisk

DISKUZE Pravopis 16.3.2005 22:40 David Jaša   Re: Pravopis 17.3.2005 09:51 Ivan Majer Zobrazit označené Zobrazit vše Příspívat do diskuze mohou pouze registrovaní uživatelé.