Podziel ciąg według spacji - zachowując cytowane podciągi - w Pythonie

Mam ciąg, który jest taki:

this is "a test"

Próbuję napisać coś w Pythonie, aby podzielić to na spację, ignorując spacje w cudzysłowie. Wynik, którego szukam to:

['this','is','a test']

PS. Wiem, że zapytasz „co się stanie, jeśli w cytatach są cytaty, cóż, w mojej aplikacji, to się nigdy nie wydarzy.

Chcesz splitz wbudowanego shlexmodułu.

>>> import shlex
>>> shlex.split('this is "a test"')
['this', 'is', 'a test']

To powinno zrobić dokładnie to, co chcesz.

W szczególności spójrz na shlexmoduł shlex.split.

>>> import shlex
>>> shlex.split('This is "a test"')
['This', 'is', 'a test']

Widzę tutaj wyrażenia regularne, które wyglądają na złożone i / lub niepoprawne. Zaskakuje mnie to, ponieważ składnia wyrażeń regularnych może łatwo opisać „białe znaki lub cytaty otoczone rzeczami”, a większość silników wyrażeń regularnych (w tym Pythona) może się dzielić na wyrażenia regularne. Jeśli więc zamierzasz używać wyrażeń regularnych, dlaczego nie powiesz dokładnie, co masz na myśli ?:

test = 'this is "a test"'  # or "this is 'a test'"
# pieces = [p for p in re.split("( |[\\\"'].*[\\\"'])", test) if p.strip()]
# From comments, use this:
pieces = [p for p in re.split("( |\\\".*?\\\"|'.*?')", test) if p.strip()]

Wyjaśnienie:

[\\\"'] = double-quote or single-quote
.* = anything
( |X) = space or X
.strip() = remove space and empty-string separators

shlex prawdopodobnie zapewnia jednak więcej funkcji.

W zależności od przypadku użycia możesz również sprawdzić csvmoduł:

import csv
lines = ['this is "a string"', 'and more "stuff"']
for row in csv.reader(lines, delimiter=" "):
    print(row)

Wynik:

['this', 'is', 'a string']
['and', 'more', 'stuff']

Używam shlex.split do przetworzenia 70 000 000 linii dziennika kałamarnic, to jest tak wolne. Więc przełączyłem się na re.

Spróbuj tego, jeśli masz problem z wydajnością shlex.

import re

def line_split(line):
    return re.findall(r'[^"\s]\S*|".+?"', line)

Ponieważ to pytanie jest oznaczone wyrażeniem regularnym, postanowiłem wypróbować podejście wyrażenia regularnego. Najpierw zamieniam wszystkie spacje w częściach cudzysłowów na \ x00, następnie dzielę spacje, a następnie zamieniam \ x00 z powrotem na spacje w każdej części.

Obie wersje robią to samo, ale splitter jest nieco bardziej czytelny niż splitter2.

import re

s = 'this is "a test" some text "another test"'

def splitter(s):
    def replacer(m):
        return m.group(0).replace(" ", "\x00")
    parts = re.sub('".+?"', replacer, s).split()
    parts = [p.replace("\x00", " ") for p in parts]
    return parts

def splitter2(s):
    return [p.replace("\x00", " ") for p in re.sub('".+?"', lambda m: m.group(0).replace(" ", "\x00"), s).split()]

print splitter2(s)

Wydaje się, że ze względu na wydajność rejest szybszy. Oto moje rozwiązanie wykorzystujące najmniej chciwy operator, który zachowuje zewnętrzne cytaty:

re.findall("(?:\".*?\"|\S)+", s)

Wynik:

['this', 'is', '"a test"']

Pozostawia konstrukty jak aaa"bla blub"bbbrazem, ponieważ te tokeny nie są oddzielone spacjami. Jeśli ciąg zawiera znaki specjalne, możesz dopasować w następujący sposób:

>>> a = "She said \"He said, \\\"My name is Mark.\\\"\""
>>> a
'She said "He said, \\"My name is Mark.\\""'
>>> for i in re.findall("(?:\".*?[^\\\\]\"|\S)+", a): print(i)
...
She
said
"He said, \"My name is Mark.\""

Należy pamiętać, że to również pasuje do pustego łańcucha ""za pomocą \Sczęści wzoru.

Główny problem z przyjętym shlexpodejściem polega na tym, że nie ignoruje znaków specjalnych poza podanymi podciągami i daje nieco nieoczekiwane wyniki w niektórych przypadkach narożnych.

Mam następujący przypadek użycia, w którym potrzebuję funkcji podziału, która dzieli ciągi wejściowe w taki sposób, że zachowane są zarówno jedno-, jak i podwójnie cudzysłowy, z możliwością ucieczki cudzysłowów w takim podciągu. Cytaty w ciągu niecytowanym nie powinny być traktowane inaczej niż jakikolwiek inny znak. Niektóre przykładowe przypadki testowe z oczekiwanym wynikiem:

ciąg wejściowy | oczekiwany wynik
===============================================
 „abc def” | ['Alfabet']
 "abc \\ s def" | [„abc”, „\\ s”, „def”]
 „„ abc def ”ghi” | [„abc def”, „ghi”]
 "'abc def' ghi" | [„abc def”, „ghi”]
 „„ abc \\ ”def” ghi ”| [„ abc ”def”, „ghi”]
 "'abc \\' def 'ghi" | [„abc” def ”,„ ghi ”]
 "'abc \\ s def' ghi" | [„abc \\ s def”, „ghi”]
 '"abc \\ s def" ghi' | [„abc \\ s def”, „ghi”]
 „” „test” | [„”, „test”]
 „” „test” | [„”, „test”]
 „abc'def” | ["Alfabet"]
 „abc'def” ”| ["Alfabet'"]
 "abc'def 'ghi" | [„abc'def” ”,„ ghi ”]
 "abc'def'ghi" | [„abc'def'ghi”]
 „abc” def ”| [„ abc ”def”]
 „abc” def ”” ['Alfabet"']
 „abc” def ”ghi” | [„abc” def ””, „ghi”]
 „abc” def ”ghi” | ['abc "def" ghi']
 „r'AA 'r”. * _ xyz $' ”| [„r'AA” ”,„ r ”. * _ xyz $ '”]

Skończyłem z następującą funkcją, aby podzielić ciąg tak, aby oczekiwane wyniki wyjściowe dla wszystkich ciągów wejściowych:

import re

def quoted_split(s):
    def strip_quotes(s):
        if s and (s[0] == '"' or s[0] == "'") and s[0] == s[-1]:
            return s[1:-1]
        return s
    return [strip_quotes(p).replace('\\"', '"').replace("\\'", "'") \
            for p in re.findall(r'"(?:\\.|[^"])*"|\'(?:\\.|[^\'])*\'|[^\s]+', s)]

Następująca aplikacja testowa sprawdza wyniki innych podejść ( shlexi csvna razie) i implementacji niestandardowego podziału:

#!/bin/python2.7

import csv
import re
import shlex

from timeit import timeit

def test_case(fn, s, expected):
    try:
        if fn(s) == expected:
            print '[ OK ] %s -> %s' % (s, fn(s))
        else:
            print '[FAIL] %s -> %s' % (s, fn(s))
    except Exception as e:
        print '[FAIL] %s -> exception: %s' % (s, e)

def test_case_no_output(fn, s, expected):
    try:
        fn(s)
    except:
        pass

def test_split(fn, test_case_fn=test_case):
    test_case_fn(fn, 'abc def', ['abc', 'def'])
    test_case_fn(fn, "abc \\s def", ['abc', '\\s', 'def'])
    test_case_fn(fn, '"abc def" ghi', ['abc def', 'ghi'])
    test_case_fn(fn, "'abc def' ghi", ['abc def', 'ghi'])
    test_case_fn(fn, '"abc \\" def" ghi', ['abc " def', 'ghi'])
    test_case_fn(fn, "'abc \\' def' ghi", ["abc ' def", 'ghi'])
    test_case_fn(fn, "'abc \\s def' ghi", ['abc \\s def', 'ghi'])
    test_case_fn(fn, '"abc \\s def" ghi', ['abc \\s def', 'ghi'])
    test_case_fn(fn, '"" test', ['', 'test'])
    test_case_fn(fn, "'' test", ['', 'test'])
    test_case_fn(fn, "abc'def", ["abc'def"])
    test_case_fn(fn, "abc'def'", ["abc'def'"])
    test_case_fn(fn, "abc'def' ghi", ["abc'def'", 'ghi'])
    test_case_fn(fn, "abc'def'ghi", ["abc'def'ghi"])
    test_case_fn(fn, 'abc"def', ['abc"def'])
    test_case_fn(fn, 'abc"def"', ['abc"def"'])
    test_case_fn(fn, 'abc"def" ghi', ['abc"def"', 'ghi'])
    test_case_fn(fn, 'abc"def"ghi', ['abc"def"ghi'])
    test_case_fn(fn, "r'AA' r'.*_xyz$'", ["r'AA'", "r'.*_xyz$'"])

def csv_split(s):
    return list(csv.reader([s], delimiter=' '))[0]

def re_split(s):
    def strip_quotes(s):
        if s and (s[0] == '"' or s[0] == "'") and s[0] == s[-1]:
            return s[1:-1]
        return s
    return [strip_quotes(p).replace('\\"', '"').replace("\\'", "'") for p in re.findall(r'"(?:\\.|[^"])*"|\'(?:\\.|[^\'])*\'|[^\s]+', s)]

if __name__ == '__main__':
    print 'shlex\n'
    test_split(shlex.split)
    print

    print 'csv\n'
    test_split(csv_split)
    print

    print 're\n'
    test_split(re_split)
    print

    iterations = 100
    setup = 'from __main__ import test_split, test_case_no_output, csv_split, re_split\nimport shlex, re'
    def benchmark(method, code):
        print '%s: %.3fms per iteration' % (method, (1000 * timeit(code, setup=setup, number=iterations) / iterations))
    benchmark('shlex', 'test_split(shlex.split, test_case_no_output)')
    benchmark('csv', 'test_split(csv_split, test_case_no_output)')
    benchmark('re', 'test_split(re_split, test_case_no_output)')

Wynik:

shlex

[OK] abc def -> ['abc', 'def']
[FAIL] abc \ s def -> ['abc', 's', 'def']
[OK] „abc def” ghi -> [„abc def”, „ghi”]
[OK] „abc def” ghi -> [„abc def”, „ghi”]
[OK] „abc \” def ”ghi -> [„ abc ”def”, „ghi”]
[FAIL] „abc \” def ”ghi -> wyjątek: brak cytatu końcowego
[OK] 'abc \ s def' ghi -> ['abc \ s def', 'ghi']
[OK] „abc \ s def” ghi -> ['abc \ s def', 'ghi']
[OK] „” test -> [”,„ test ”]
[OK] ”„ test -> [”,„ test ”]
[FAIL] abc'def -> wyjątek: brak cytatu końcowego
[FAIL] abc'def '-> [' abcdef ']
[FAIL] abc'def 'ghi -> [' abcdef ',' ghi ']
[FAIL] abc'def'ghi -> ['abcdefghi']
[FAIL] abc "def -> wyjątek: brak cytatu końcowego
[FAIL] abc „def” -> ['abcdef']
[FAIL] abc "def" ghi -> ['abcdef', 'ghi']
[FAIL] abc "def" ghi -> ['abcdefghi']
[FAIL] r'AA 'r'. * _ Xyz $ '-> [' rAA ',' r. * _ Xyz $ ']

csv

[OK] abc def -> ['abc', 'def']
[OK] abc \ s def -> ['abc', '\\ s', 'def']
[OK] „abc def” ghi -> [„abc def”, „ghi”]
[FAIL] „abc def” ghi -> [„„ abc ”,„ def ””, „ghi”]
[FAIL] „abc \” def ”ghi -> ['abc \\',„ def ””, „ghi”]
[FAIL] „abc \ 'def” ghi -> [„„ abc ”,„ \\ ””, „def” ”,„ ghi ”]
[FAIL] 'abc \ s def' ghi -> ["'abc”, „\\ s”, „def” ”,„ ghi ”]
[OK] „abc \ s def” ghi -> ['abc \ s def', 'ghi']
[OK] „” test -> [”,„ test ”]
[FAIL] ”„ test -> [„” „”, „test”]
[OK] abc'def -> ["abc'def"]
[OK] abc'def '-> ["abc'def'”]
[OK] abc'def 'ghi -> ["abc'def'”, „ghi”]
[OK] abc'def'ghi -> ["abc'def'ghi"]
[OK] abc "def -> ['abc" def']
[OK] abc "def" -> ['abc "def"']
[OK] abc "def" ghi -> ['abc "def"', 'ghi']
[OK] abc "def" ghi -> ['abc "def" ghi']
[OK] r'AA 'r'. * _ Xyz $ '-> [„r'AA'”, „r”. * _ Xyz $ '”]

re

[OK] abc def -> ['abc', 'def']
[OK] abc \ s def -> ['abc', '\\ s', 'def']
[OK] „abc def” ghi -> [„abc def”, „ghi”]
[OK] „abc def” ghi -> [„abc def”, „ghi”]
[OK] „abc \” def ”ghi -> [„ abc ”def”, „ghi”]
[OK] „abc \ 'def” ghi -> [„abc' def”, „ghi”]
[OK] 'abc \ s def' ghi -> ['abc \ s def', 'ghi']
[OK] „abc \ s def” ghi -> ['abc \ s def', 'ghi']
[OK] „” test -> [”,„ test ”]
[OK] ”„ test -> [”,„ test ”]
[OK] abc'def -> ["abc'def"]
[OK] abc'def '-> ["abc'def'”]
[OK] abc'def 'ghi -> ["abc'def'”, „ghi”]
[OK] abc'def'ghi -> ["abc'def'ghi"]
[OK] abc "def -> ['abc" def']
[OK] abc "def" -> ['abc "def"']
[OK] abc "def" ghi -> ['abc "def"', 'ghi']
[OK] abc "def" ghi -> ['abc "def" ghi']
[OK] r'AA 'r'. * _ Xyz $ '-> [„r'AA'”, „r”. * _ Xyz $ '”]

shlex: 0,281 ms na iterację
csv: 0,030 ms na iterację
re: 0,049 ms na iterację

Wydajność jest więc znacznie lepsza shlexi może być dalej poprawiana przez prekompilację wyrażenia regularnego, w którym to przypadku przewyższy to csvpodejście.

Aby zachować cytaty, użyj tej funkcji:

def getArgs(s):
    args = []
    cur = ''
    inQuotes = 0
    for char in s.strip():
        if char == ' ' and not inQuotes:
            args.append(cur)
            cur = ''
        elif char == '"' and not inQuotes:
            inQuotes = 1
            cur += char
        elif char == '"' and inQuotes:
            inQuotes = 0
            cur += char
        else:
            cur += char
    args.append(cur)
    return args

Test szybkości różnych odpowiedzi:

import re
import shlex
import csv

line = 'this is "a test"'

%timeit [p for p in re.split("( |\\\".*?\\\"|'.*?')", line) if p.strip()]
100000 loops, best of 3: 5.17 µs per loop

%timeit re.findall(r'[^"\s]\S*|".+?"', line)
100000 loops, best of 3: 2.88 µs per loop

%timeit list(csv.reader([line], delimiter=" "))
The slowest run took 9.62 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 2.4 µs per loop

%timeit shlex.split(line)
10000 loops, best of 3: 50.2 µs per loop

Hmm, nie mogę znaleźć przycisku „Odpowiedz”… w każdym razie ta odpowiedź jest oparta na podejściu Kate, ale poprawnie dzieli ciągi znaków na podciągi zawierające cytaty, a także usuwa początkowe i końcowe cytowania podciągów:

  [i.strip('"').strip("'") for i in re.split(r'(\s+|(?<!\\)".*?(?<!\\)"|(?<!\\)\'.*?(?<!\\)\')', string) if i.strip()]

Działa to na ciągach takich jak 'This is " a \\\"test\\\"\\\'s substring"' (szalone znaczniki są niestety konieczne, aby powstrzymać Pythona przed usunięciem ucieczki).

Jeśli wynikowe znaki ucieczki w łańcuchach na zwróconej liście nie są potrzebne, możesz użyć tej nieco zmienionej wersji funkcji:

[i.strip('"').strip("'").decode('string_escape') for i in re.split(r'(\s+|(?<!\\)".*?(?<!\\)"|(?<!\\)\'.*?(?<!\\)\')', string) if i.strip()]

Aby obejść problemy z Unicode w niektórych wersjach Python 2, sugeruję:

from shlex import split as _split
split = lambda a: [b.decode('utf-8') for b in _split(a.encode('utf-8'))]

Opcjonalnie wypróbuj tssplit:

In [1]: from tssplit import tssplit
In [2]: tssplit('this is "a test"', quote='"', delimiter='')
Out[2]: ['this', 'is', 'a test']

Sugeruję:

ciąg testowy:

s = 'abc "ad" \'fg\' "kk\'rdt\'" zzz"34"zzz "" \'\''

przechwytywać także „” i „”:

import re
re.findall(r'"[^"]*"|\'[^\']*\'|[^"\'\s]+',s)

wynik:

['abc', '"ad"', "'fg'", '"kk\'rdt\'"', 'zzz', '"34"', 'zzz', '""', "''"]

aby zignorować puste „” i „”:

import re
re.findall(r'"[^"]+"|\'[^\']+\'|[^"\'\s]+',s)

wynik:

['abc', '"ad"', "'fg'", '"kk\'rdt\'"', 'zzz', '"34"', 'zzz']

Jeśli nie zależy ci na napisach niż na prostym

>>> 'a short sized string with spaces '.split()

Występ:

>>> s = " ('a short sized string with spaces '*100).split() "
>>> t = timeit.Timer(stmt=s)
>>> print "%.2f usec/pass" % (1000000 * t.timeit(number=100000)/100000)
171.39 usec/pass

Lub moduł ciągów

>>> from string import split as stringsplit; 
>>> stringsplit('a short sized string with spaces '*100)

Wydajność: moduł ciągów wydaje się działać lepiej niż metody ciągów

>>> s = "stringsplit('a short sized string with spaces '*100)"
>>> t = timeit.Timer(s, "from string import split as stringsplit")
>>> print "%.2f usec/pass" % (1000000 * t.timeit(number=100000)/100000)
154.88 usec/pass

Lub możesz użyć silnika RE

>>> from re import split as resplit
>>> regex = '\s+'
>>> medstring = 'a short sized string with spaces '*100
>>> resplit(regex, medstring)

Występ

>>> s = "resplit(regex, medstring)"
>>> t = timeit.Timer(s, "from re import split as resplit; regex='\s+'; medstring='a short sized string with spaces '*100")
>>> print "%.2f usec/pass" % (1000000 * t.timeit(number=100000)/100000)
540.21 usec/pass

W przypadku bardzo długich łańcuchów nie należy ładować całego łańcucha do pamięci, a zamiast tego albo podzielić linie, albo użyć pętli iteracyjnej

Spróbuj tego:

  def adamsplit(s):
    result = []
    inquotes = False
    for substring in s.split('"'):
      if not inquotes:
        result.extend(substring.split())
      else:
        result.append(substring)
      inquotes = not inquotes
    return result

Niektóre ciągi testowe:

'This is "a test"' -> ['This', 'is', 'a test']
'"This is \'a test\'"' -> ["This is 'a test'"]