Как я могу провести сравнение строк в Python?
Я хотел бы инкапсулировать сравнение регулярных строк в строку репозитория, используя очень простой и питонический путь. Я также хотел бы иметь возможность искать значения в dict hashed с помощью строк, использующих обычные строки python.
Предполагая строки ASCII:
string1 = 'Hello'
string2 = 'hello'
if string1.lower() == string2.lower():
print "The strings are the same (case insensitive)"
else:
print "The strings are not the same (case insensitive)"
Сравнение строки в нечувствительном к регистру образом выглядит как нечто тривиальное, но это не так. Я буду использовать Python 3, так как Python 2 здесь недостаточно развит.
В первую очередь следует отметить, что конверсии case-remove в unicode не являются тривиальными. Существует текст, для которого text.lower() != text.upper().lower(), например "ß":
"ß".lower()
#>>> 'ß'
"ß".upper().lower()
#>>> 'ss'
Но скажем, вы хотели без лишних сравнений "BUSSE" и "Buße". Черт, вы, вероятно, также хотите сравнить "BUSSE" и "BUẞE" equal - форму новой формы капитала. Рекомендуемый способ - использовать casefold:
help(str.casefold)
#>>> Help on method_descriptor:
#>>>
#>>> casefold(...)
#>>> S.casefold() -> str
#>>>
#>>> Return a version of S suitable for caseless comparisons.
#>>>
Не используйте lower. Если casefold недоступно, выполнение .upper().lower() помогает (но только несколько).
Затем вы должны рассмотреть акценты. Если ваш рендерер шрифта хорош, вы, вероятно, думаете "ê" == "ê" - но это не так:
"ê" == "ê"
#>>> False
Это потому, что они на самом деле
import unicodedata
[unicodedata.name(char) for char in "ê"]
#>>> ['LATIN SMALL LETTER E WITH CIRCUMFLEX']
[unicodedata.name(char) for char in "ê"]
#>>> ['LATIN SMALL LETTER E', 'COMBINING CIRCUMFLEX ACCENT']
Самый простой способ справиться с этим - unicodedata.normalize. Вероятно, вы хотите использовать нормальную NFKD, но можете проверить документацию. Тогда выполняется
unicodedata.normalize("NFKD", "ê") == unicodedata.normalize("NFKD", "ê")
#>>> True
Чтобы закончить, здесь это выражается в функциях:
import unicodedata
def normalize_caseless(text):
return unicodedata.normalize("NFKD", text.casefold())
def caseless_equal(left, right):
return normalize_caseless(left) == normalize_caseless(right)
Использование Python 2, вызов .lower() для каждой строки или объекта Unicode...
string1.lower() == string2.lower()
... будет работать большую часть времени, но на самом деле не работает в ситуациях описанных @tchrist.
Предположим, что у нас есть файл с именем unicode.txt, содержащий две строки Σίσυφος и ΣΊΣΥΦΟΣ. С Python 2:
>>> utf8_bytes = open("unicode.txt", 'r').read()
>>> print repr(utf8_bytes)
'\xce\xa3\xce\xaf\xcf\x83\xcf\x85\xcf\x86\xce\xbf\xcf\x82\n\xce\xa3\xce\x8a\xce\xa3\xce\xa5\xce\xa6\xce\x9f\xce\xa3\n'
>>> u = utf8_bytes.decode('utf8')
>>> print u
Σίσυφος
ΣΊΣΥΦΟΣ
>>> first, second = u.splitlines()
>>> print first.lower()
σίσυφος
>>> print second.lower()
σίσυφοσ
>>> first.lower() == second.lower()
False
>>> first.upper() == second.upper()
True
Символ Σ имеет две строчные формы: ς и σ, а .lower() не будет сравнивать их без учета регистра.
Однако, с Python 3, все три формы будут разрешены для ς, а вызов lower() для обеих строк будет работать правильно:
>>> s = open('unicode.txt', encoding='utf8').read()
>>> print(s)
Σίσυφος
ΣΊΣΥΦΟΣ
>>> first, second = s.splitlines()
>>> print(first.lower())
σίσυφος
>>> print(second.lower())
σίσυφος
>>> first.lower() == second.lower()
True
>>> first.upper() == second.upper()
True
Итак, если вы заботитесь о краях, подобных трем сигмам на греческом языке, используйте Python 3.
(Для справки, Python 2.7.3 и Python 3.3.0b1 показаны в распечатках интерпретатора выше.)
Раздел 3.13 стандарта Unicode определяет алгоритмы для безвизового режима соответствия.
X.casefold() == Y.casefold() в Python 3 реализует "стандартное несоответствие без содержания" (D144).
Casefolding не сохраняет нормализацию строк во всех экземплярах, и поэтому необходимо выполнить нормализацию ('å' vs. 'å'). D145 вводит "каноническое несоответствие":
import unicodedata
def NFD(text):
return unicodedata.normalize('NFD', text)
def canonical_caseless(text):
return NFD(NFD(text).casefold())
NFD() вызывается дважды для очень редких краевых случаев с символом U + 0345.
Пример:
>>> 'å'.casefold() == 'å'.casefold()
False
>>> canonical_caseless('å') == canonical_caseless('å')
True
Существует также совместимость без несоответствия (D146) для таких случаев, как '㎒' (U + 3392) и "идентификация без кавычек" для упрощения и оптимизации безвизовый сопоставление идентификаторов.
Я видел это решение здесь, используя regex.
import re
if re.search('mandy', 'Mandy Pande', re.IGNORECASE):
# is True
Это хорошо работает с акцентами
In [42]: if re.search("ê","ê", re.IGNORECASE):
....: print(1)
....:
1
Однако он не работает с символами unicode без учета регистра. Спасибо @Rhymoid за указание на то, что, как я понял, ему нужен точный символ, так как это правда. Выход выглядит следующим образом:
In [36]: "ß".lower()
Out[36]: 'ß'
In [37]: "ß".upper()
Out[37]: 'SS'
In [38]: "ß".upper().lower()
Out[38]: 'ss'
In [39]: if re.search("ß","ßß", re.IGNORECASE):
....: print(1)
....:
1
In [40]: if re.search("SS","ßß", re.IGNORECASE):
....: print(1)
....:
In [41]: if re.search("ß","SS", re.IGNORECASE):
....: print(1)
....:
Как насчет конвертации в нижний регистр? вы можете использовать string.lower().
Обычный подход заключается в том, чтобы заглавные строки или нижний регистр для поиска и сравнений. Например:
>>> "hello".upper() == "HELLO".upper()
True
>>>
def insenStringCompare(s1, s2):
""" Method that takes two strings and returns True or False, based
on if they are equal, regardless of case."""
try:
return s1.lower() == s2.lower()
except AttributeError:
print "Please only pass strings into this method."
print "You passed a %s and %s" % (s1.__class__, s2.__class__)
Это еще одно регулярное выражение, которое я научился любить/ненавидеть на прошлой неделе, поэтому обычно придаю значение (в данном случае да) тому, что отражает мои чувства! сделать нормальную функцию.... запросить ввод, затем использовать.... что-то = re.compile(r'foo * | spam * ', yes.I)...... re.I(yes.I ниже) - то же самое, что IGNORECASE, но вы не можете совершить столько ошибок при написании!
Затем вы ищите свое сообщение с помощью регулярных выражений, но, честно говоря, это должно быть несколько отдельных страниц, но суть в том, что foo или spam передаются вместе, а case игнорируется. Затем, если любой из них найден, lost_n_found отобразит один из них. если ни то, ни другое lost_n_found равно None. Если оно не равно ни одному, верните user_input в нижнем регистре, используя "return lost_n_found.lower()"
Это позволяет вам гораздо проще сопоставить все, что будет чувствительно к регистру. Наконец (NCS) означает "никто не заботится серьезно...!" или не чувствителен к регистру.... какой бы ни
если у кого-то возникнут вопросы, дайте мне знать об этом..
import re as yes
def bar_or_spam():
message = raw_input("\nEnter FoO for BaR or SpaM for EgGs (NCS): ")
message_in_coconut = yes.compile(r'foo*|spam*', yes.I)
lost_n_found = message_in_coconut.search(message).group()
if lost_n_found != None:
return lost_n_found.lower()
else:
print ("Make tea not love")
return
whatz_for_breakfast = bar_or_spam()
if whatz_for_breakfast == foo:
print ("BaR")
elif whatz_for_breakfast == spam:
print ("EgGs")
Если у вас есть списки со строками, и вы хотите сравнить строки в другом списке с регистром без учета. Вот мое решение.
list1 = map(lambda each:each.lower(), list1)
list2 = map(lambda each:each.lower(), list2)
После этого вы можете легко выполнить сравнение строк.
Я использовал это, чтобы выполнить что-то более полезное для сравнения двух строк:
def strings_iequal(first, second):
try:
return first.upper() == second.upper()
except AttributeError:
if not first:
if not second:
return True
Обновление: как отмечено gerrit, этот ответ содержит некоторые ошибки. Это было много лет назад, и я больше не помню, для чего я его использовал. Я действительно помню, как писал тесты, но насколько они хороши!