![](/img/trans.png)
[英]Python: How to split string but preserve the non-alphanumeric characters
[英]Python - How to split a string by non alpha characters
我正在尝试使用 python 来解析 C++ 源代码行。 我唯一感兴趣的是包含指令。
#include "header.hpp"
我希望它灵活,并且仍然可以使用糟糕的编码风格,例如:
# include"header.hpp"
我已经到了可以在 # 之前和之后读取线条和修剪空格的地步。 但是,我仍然需要通过读取字符串来找出它是什么指令,直到遇到非字母字符,无论天气如何,它都是空格、引号、制表符或尖括号。
所以基本上我的问题是:如何拆分以 alpha 开头的字符串,直到遇到非 alpha?
我想我可以用正则表达式来做到这一点,但我没有在文档中找到任何我想要的东西。
此外,如果有人对我如何在引号或尖括号内获取文件名有建议,那将是一个加号。
您使用正则表达式的直觉是正确的。
import re
re.split('[^a-zA-Z]', string_to_split)
[^a-zA-Z]
部分表示“非字母字符”。
你可以用正则表达式来做到这一点。 但是,您也可以使用简单的while
循环。
def splitnonalpha(s):
pos = 1
while pos < len(s) and s[pos].isalpha():
pos+=1
return (s[:pos], s[pos:])
测试:
>>> splitnonalpha('#include"blah.hpp"')
('#include', '"blah.hpp"')
其他人提到的在我看来最好的两个选项是re.split
和re.findall
:
>>> import re
>>> re.split(r'\W+', '#include "header.hpp"')
['', 'include', 'header', 'hpp', '']
>>> re.findall(r'\w+', '#include "header.hpp"')
['include', 'header', 'hpp']
快速基准:
>>> setup = "import re; word_pattern = re.compile(r'\w+'); sep_pattern = re.compile(r'\W+')"
>>> iterations = 10**6
>>> timeit.timeit("re.findall(r'\w+', '#header foo bar!')", setup=setup, number=iterations)
3.000092029571533
>>> timeit.timeit("word_pattern.findall('#header foo bar!')", setup=setup, number=iterations)
1.5247418880462646
>>> timeit.timeit("re.split(r'\W+', '#header foo bar!')", setup=setup, number=iterations)
3.786440134048462
>>> timeit.timeit("sep_pattern.split('#header foo bar!')", setup=setup, number=iterations)
2.256173849105835
功能上的区别在于re.split
保留空令牌。 这对于标记化目的通常没有用,但以下内容应与re.findall
解决方案相同:
>>> filter(bool, re.split(r'\W+', '#include "header.hpp"'))
['include', 'header', 'hpp']
import re
s = 'foo bar- blah/hm.lala'
print(re.findall(r"\w+",s))
输出:['foo', 'bar', 'blah', 'hm', 'lala']
您可以使用正则表达式。 \\W
标记将匹配所有非单词字符(与非字母数字字符大致相同)。 单词字符是AZ
、 az
、 0-9
和_
。 如果你也想匹配下划线,你可以做[\\W_]
。
>>> import re
>>> line = '# include"header.hpp" '
>>> m = re.match(r'^\s*#\s*include\W+([\w\.]+)\W*$', line)
>>> m.group(1)
'header.hpp'
import re
re.split('[^a-zA-Z0-9]', string_to_split)
对于所有 !(字母数字) 字符
这有效:
import re
test_str = ' # include "header.hpp"'
match = re.match(r'\s*#\s*include\s*("[\w.]*")', test_str)
if match:
print match.group(1)
虽然不准确,但大多数解析头指令是这样的
(?m)^\\h*#\\h*include\\h*["<](\\w[\\w.]*)\\h*[">]
其中, (?m) 是多行模式, \\h 是水平空白(又名 [^\\S\\r\\n] )。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.