>>>tokenize('<[2{12.5 6.0}](3 -4 5)>')
我想要得到这个:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
基本上,我应该如何保持输入将所有内容转换为列表,同时保持数字的原始值。
>>>tokenize('<[2{12.5 6.0}](3 -4 5)>')
我想要得到这个:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
基本上,我应该如何保持输入将所有内容转换为列表,同时保持数字的原始值。
您可以尝试使用标记化工具,它给出的结果与您期望的几乎相同,但对于负数如-4
则略有不同,但效果也非常接近。
from StringIO import StringIO
import tokenize
str = '<[2{12.5 6.0}](3 -4 5)>'
tokens = tokenize.generate_tokens(StringIO(str).readline)
result = [x[1] for x in tokens]
['[', '2', '{', '12.5', '6.0', '}', ']', '(', '3', '-', '4', '5', ')', '>', '']
因此,为了暴力破解它,您可以使用list(your_string)
,但请确保随后识别应该分组在一起的内容,并在进行操作时将项目附加到元素中。
其他解决方案可能包括正则表达式、简单语法库等。并且可能更容易理解。
编辑:对于非整数#,您还可以注意到,在遇到这样的数字时,请继续突变新的、解析的令牌列表的前一个索引,当您到达下一个数字、闭合、令牌等时,您将创建一个全新的元素到列表中。
假设您将所有内容都作为字符串放入新列表中,这里是获取浮点数和整数的一种方法:
for i, e in enumerate(tokenized):
if e.isdigit():
tokenized[i] = int(e)
elif '.' in e:
tokenized[i] = float(e)
elif '-' in e and not '.' in e:
tokenized[i] = int(e)
最终结果是你想要的:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
一个 PLY 解决方案
tokens = (
'LT', 'GT', 'LPAREN', 'RPAREN', 'LBRACKET', 'RBRACKET', 'LBRACE', 'RBRACE',
'FLOAT', 'INTEGER',
)
t_LT = r'<'
t_GT = r'>'
t_LPAREN = r'\('
t_RPAREN = r'\)'
t_LBRACKET = r'\['
t_RBRACKET = r'\]'
t_LBRACE = r'{'
t_RBRACE = r'}'
t_ignore = r' '
def t_FLOAT(t):
r'-?\d*[.]\d+'
t.value = float(t.value)
return t
def t_INTEGER(t):
r'-?\d+'
t.value = int(t.value)
return t
def t_error(t):
raise ValueError('invalid input')
import ply.lex as lex
lex.lex()
lex.input('<[2{12.5 6.0}](3 -4 5)>')
tokens = list(iter(lex.token, None))
for t in tokens:
print repr(t.type), repr(t.value)
print '>', [t.value for t in tokens]
输出:
'LT' '<'
'LBRACKET' '['
'INTEGER' 2
'LBRACE' '{'
'FLOAT' 12.5
'FLOAT' 6.0
'RBRACE' '}'
'RBRACKET' ']'
'LPAREN' '('
'INTEGER' 3
'INTEGER' -4
'INTEGER' 5
'RPAREN' ')'
'GT' '>'
> ['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
# pip install ply
import re
s = '<[2{12.5 6.0}](3 -4 5)>'
p = re.compile(r"([-+]?(?:(?:\d*\.\d+)|(?:\d+\.?)))|(\S)")
conv = lambda n: float(n) if '.' in n else int(n)
[conv(m.group(1)) if m.lastindex==1 else m.group(2) for m in p.finditer(s)]
输出:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
import re
def tokenize(txt):
output = []
tokenized = re.split('([\<\>\[\]\{\}\(\)\s])',txt)
for t in tokenized:
if len(t.strip()) > 0:
if re.match("^\d+?\.\d+?$",t) is None:
if re.match("^[\d\-]\d*?$",t) is None:
output.append(t)
else:
output.append(int(t))
else:
output.append(float(t))
print(output)
tokenize('<[2{12.5 6.0}](3 -4 5)>')
输出结果为:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
以下是使用正则表达式的方法
import re
def tokenize(your_string):
pattern = re.compile(r'([-+]?[0-9]*\.?[0-9]+)') # float pattern
digital = re.compile(r'([-+]?[0-9]*$)')
lst = []
for item in pattern.split(your_string):
if not item.isspace(): # remove space
if pattern.match(item):
if digital.match(item):
lst.append(int(item))
else:
lst.append(float(item)) # change string to float
else:
lst.extend(list(item)) # make unmatched string to character list
return lst
print tokenize('<[2{12.5 6.0}](3 -4 5)>')
结果是:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
我喜欢用pyparsing来处理这种事情。
from pyparsing import Word, ZeroOrMore, oneOf, nums
def tokenize(s):
number = Word(nums + '.' + '-')
number.setParseAction(lambda x : eval(x[0]))
punctuation = '< > [ ] ( ) { }'
lexeme = number | oneOf(punctuation) | ' '
tokenizer = ZeroOrMore(lexeme)
return tokenizer.parseString(s)
print tokenize('<[2{12.5 6.0}](3 -4 5)>')
输出:
['<', '[', 2, '{', 12.5, 6.0, '}', ']', '(', 3, -4, 5, ')', '>']
与PLY一样,您可以使用pip install pyparsing
进行安装(如果您没有它,您可以使用easy_install pip
安装pip)。在实际使用中,您可能不希望在每次调用时创建pyparsing对象,因此它们可以是全局的等。
这是一个在Python中非常好的解决方案
list(my_string)
可以进行初始分词,但不保留您喜欢的属性 :(。
因此,如果我们想要使用一些比必要更重的机器,我们可以这样做
import re
a = '<[2{12.5 6.0}](3 -4 5)>'
tokenized = [x in re.split(r'[[!"#$%&\'()*+,\-/:;<=>?@[\\\]^_`{|}~ ]]*',a)) if x!='']
#or also
tokens = [x in re.split(r'[[!"#$%&\'()*+,\-/:;<=>?@[\\\]^_`{|}~ ]]*',a)) if x]
这可以用于任何语言/白板表达式,标点符号只是来自strings.punctuation,您可以自定义使用正则表达式分隔几乎所有可以表示的内容 - 几乎所有。
如果您在运行此操作时使用re.compile预编译表达式,则可以获得更好的优化效果。 在某些限制条件下,您还可以使用自动机进行一些操作;)并且这会带来巨大的好处。