<span id="7ztzv"></span>
<sub id="7ztzv"></sub>


<span id="7ztzv"></span><form id="7ztzv"></form>


<span id="7ztzv"></span>
    

      

        <address id="7ztzv"></address>
            
      
      
      
            
         
            
            
            
               
            
                  
            7.2. 個案研究：街道地址
                  
            
               
            
            
            
            
            
         
            
         
            
            
            這一系列的例子是由我幾年前日常工作中的現實問題啟發而來的，當時我需要從一個老化系統中導出街道地址，在將它們導入新的系統之前，進行清理和標準化。(看，我不是只將這些東西堆到一起，它有實際的用處。)這個例子展示我如何處理這個問題。
            
         
            
         
            例 7.1. 在字符串的結尾匹配
            >>> s = '100 NORTH MAIN ROAD'
>>> s.replace('ROAD', 'RD.')               1
'100 NORTH MAIN RD.'
>>> s = '100 NORTH BROAD ROAD'
>>> s.replace('ROAD', 'RD.')               2
'100 NORTH BRD. RD.'
>>> s[:-4] + s[-4:].replace('ROAD', 'RD.') 3
'100 NORTH BROAD RD.'
>>> import re                              4
>>> re.sub('ROAD$', 'RD.', s)              5 6
'100 NORTH BROAD RD.'
            
               
            
                  
            
                     1 
                     
                     我的目標是將街道地址標準化，'ROAD' 通常被略寫為 'RD.'。乍看起來，我以為這個太簡單了，只用字符串的方法 replace 就可以了。畢竟，所有的數據都已經是大寫的了，因此大小寫不匹配將不是問題。并且，要搜索的串'ROAD'是一個常量，在這個迷惑的簡單例子中，s.replace 的確能夠勝任。
                     
                  
            
                  
            
                     2 
                     
                     不幸的是，生活充滿了特例，并且我很快就意識到這個問題。比如：'ROAD' 在地址中出現兩次，一次是作為街道名稱 'BROAD' 的一部分，一次是作為 'ROAD' 本身。replace 方法遇到這兩處的'ROAD'并沒有區別，因此都進行了替換，而我發現地址被破壞掉了。
                     
                  
            
                  
            
                     3 
                     
                     為了解決在地址中出現多次'ROAD'子串的問題，有可能采用類似這樣的方法：只在地址的最后四個字符中搜索替換 'ROAD' (s[-4:])，忽略字符串的其他部分 (s[:-4])。但是，你可能發現這已經變得不方便了。例如，該模式依賴于你要替換的字符串的長度了 (如果你要把 'STREET' 替換為 'ST.'，你需要利用 s[:-6] 和 s[-6:].replace(...))。你愿意在六月個期間回來調試它們么？我本人是不愿意的。
                     
                  
            
                  
            
                     4 
                     
                     是時候轉到正則表達式了。在 Python 中，所有和正則表達式相關的功能都包含在 re 模塊中。
                     
                  
            
                  
            
                     5 
                     
                     來看第一個參數：'ROAD$'。這個正則表達式非常簡單，只有當 'ROAD' 出現在一個字符串的尾部時才會匹配。字符$表示“字符串的末尾”(還有一個對應的字符，尖號^，表示“字符串的開始”)。
                     
                  
            
                  
            
                     6 
                     
                     利用 re.sub 函數，對字符串 s 進行搜索，滿足正則表達式 'ROAD$' 的用 'RD.' 替換。這樣將匹配字符串 s 末尾的 'ROAD'，而不會匹配屬于單詞 'ROAD' 一部分的 'ROAD'，這是因為它是出現在 s 的中間。
                     
                  
            
               
            
            
            
         
            
         
            繼續我的清理地址的故事。很快我發現，在上面的例子中，僅僅匹配地址末尾的 'ROAD' 不是很好，因為不是所有的地址都包括表示街道的單詞 ('ROAD')；有一些直接以街道名結尾。大部分情況下，不會遇到這種情況，但是，如果街道名稱為 'BROAD'，那么正則表達式將會匹配 'BROAD' 的一部分為 'ROAD'，而這并不是我想要的。
         
            
         
            例 7.2. 匹配整個單詞
            >>> s = '100 BROAD'
>>> re.sub('ROAD$', 'RD.', s)
'100 BRD.'
>>> re.sub('\\bROAD$', 'RD.', s)  1
'100 BROAD'
>>> re.sub(r'\bROAD$', 'RD.', s)  2
'100 BROAD'
>>> s = '100 BROAD ROAD APT. 3'
>>> re.sub(r'\bROAD$', 'RD.', s)  3
'100 BROAD ROAD APT. 3'
>>> re.sub(r'\bROAD\b', 'RD.', s) 4
'100 BROAD RD. APT 3'
            
               
            
                  
            
                     1 
                     
                     我真正想要做的是，當 'ROAD' 出現在字符串的末尾，并且是作為一個獨立的單詞時，而不是一些長單詞的一部分，才對他進行匹配。為了在正則表達式中表達這個意思，你利用 \b，它的含義是“單詞的邊界必須在這里”。在 Python 中，由于字符 '\' 在一個字符串中必須轉義，這會變得非常麻煩。有時候，這類問題被稱為“反斜線災難”，這也是 Perl 中正則表達式比 Python 的正則表達式要相對容易的原因之一。另一方面，Perl 也混淆了正則表達式和其他語法，因此，如果你發現一個 bug，很難弄清楚究竟是一個語法錯誤，還是一個正則表達式錯誤。
                     
                  
            
                  
            
                     2 
                     
                     為了避免反斜線災難，你可以利用所謂的“原始字符串”，只要為字符串添加一個前綴 r 就可以了。這將告訴 Python，字符串中的所有字符都不轉義；'\t' 是一個制表符，而 r'\t' 是一個真正的反斜線字符 '\'，緊跟著一個字母 't'。我推薦只要處理正則表達式，就使用原始字符串；否則，事情會很快變得混亂 (并且正則表達式自己也會很快被自己搞亂了)。
                     
                  
            
                  
            
                     3 
                     
                     (一聲嘆息) 很不幸，我很快發現更多的與我的邏輯相矛盾的例子。在這個例子中，街道地址包含有作為整個單詞的'ROAD'，但是它不是在末尾，因為地址在街道命名后會有一個房間號。由于 'ROAD' 不是在每一個字符串的末尾，沒有匹配上，因此調用 re.sub 沒有替換任何東西，你獲得的只是初始字符串，這也不是我們想要的。
                     
                  
            
                  
            
                     4 
                     
                     為了解決這個問題，我去掉了 $ 字符，加上另一個 \b。現在，正則表達式“匹配字符串中作為整個單詞出現的'ROAD'”了，不論是在末尾、開始還是中間。
                     
                  
            
               
            
            
            
         
            
      
            
      
            
         
            
            
            << 正則表達式            		
            
             | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 
                        		
            
            個案研究：羅馬字母 >>            		
         
            
         
            
            
            		
         
            
      
            
      
            
         
            Copyright ? 2000, 2001, 2002, 2003, 2004 Mark Pilgrim
            
         
            Copyright ? 2001, 2002, 2003, 2004, 2005, 2006, 2007 CPyUG (郵件列表)
            
      
            
   

            <span id="7ztzv"></span>
            <sub id="7ztzv"></sub>
            

            <span id="7ztzv"></span><form id="7ztzv"></form>
            

            <span id="7ztzv"></span>
              

                

                  <address id="7ztzv"></address>
                      

亚洲欧美在线