Lidsky řečeno
Text z reálného světa přichází jako nákup z tržnice: se zemí na kořenech, v různých velikostech a občas s něčím, co jsi nekupoval. Než z něj něco uvaříš, musíš ho rozebrat, umýt a nakrájet. Tahle lekce je sada nožů.
Rozsekat a slepit
Řetězec je programátorský název pro text: řada znaků za sebou. Z e-shopu ti přišel export, kde jsou údaje na řádku oddělené středníkem. Metoda split je rozseká na seznam a join je zase spojí.
Pozor na zápis join: oddělovač stojí vpředu a seznam jde do závorky. Čteš to jako „tímhle spoj tohle“.
radek = "Novák;Jan;Praha;1987"
casti = radek.split(";")
print(casti)
print(casti[1])
print(" / ".join(casti))
veta = " málo místa ve větě "
print(veta.split())
print(veta.split(" ")[:4])
print("a,b,,c".split(","))
print("klíč=hodnota=další".split("=", 1))
print("klíč=hodnota=další".partition("="))
print("archiv.tar.gz".rsplit(".", 1))
['Novák', 'Jan', 'Praha', '1987']
Jan
Novák / Jan / Praha / 1987
['málo', 'místa', 've', 'větě']
['', '', 'málo', '']
['a', 'b', '', 'c']
['klíč', 'hodnota=další']
('klíč', '=', 'hodnota=další')
['archiv.tar', 'gz']Co z výstupu plyne:
split()bez argumentu dělí podle jakýchkoli mezer a prázdná místa zahodí. Na běžný text je to správná volba.split(" ")dělí přesně podle jedné mezery, takže z každé další vznikne prázdný řetězec.- Číslo navíc omezuje počet řezů. Hodí se, když se oddělovač může objevit i v hodnotě.
partitionvrátí vždy tři díly: před, oddělovač, za.rsplitřeže zprava.
Oprav záznam ze starého systému
Z řetězce zaznam udělej text ve tvaru Jan Novák (Praha) a ulož ho do proměnné vysledek. Údaje jsou v pořadí příjmení, jméno, město. Kolem nich jsou zbytečné mezery a velikost písmen je náhodná.
zaznam = " noVÁK ; JAN ;praha "
# doplň
Hledat a kontrolovat
Operátor in odpoví ano nebo ne. Když potřebuješ i pozici, použij find. Ten vrátí index prvního výskytu, nebo -1, když nic nenajde. Sourozenec index dělá totéž, ale při neúspěchu skončí chybou ValueError.
startswith a endswith kontrolují začátek a konec. Umí vzít i n-tici možností.
adresa = "[email protected]"
print("@" in adresa)
print(adresa.find("@"))
print(adresa.find("#"))
print(adresa.count("a"))
print(adresa.startswith("objednavky"))
print(adresa.endswith((".cz", ".sk")))
zavinac = adresa.find("@")
print(adresa[zavinac + 1:])
True 10 -1 3 True True pekarna-u-mostu.cz
Teď klasická past. strip vypadá, že odebírá text, ale ve skutečnosti odebírá sadu znaků z obou okrajů. Dokud narazí na cokoli z té sady, maže dál. Na odříznutí přesného začátku nebo konce slouží removeprefix a removesuffix.
soubor = "report.txt"
print(soubor.rstrip(".txt"))
print(soubor.removesuffix(".txt"))
print("foto_001.jpg".removeprefix("foto_"))
print("report.txt".removesuffix(".pdf"))
print("--- Nadpis ---".strip("- "))
repor report 001.jpg report.txt Nadpis
rstrip(".txt") smazal i poslední t ze slova report, protože t patří do sady. Takový bug projde každým testem, dokud se neobjeví soubor končící správným písmenem.
Co vrátí "data.csv".find("x")?
find hlásí neúspěch hodnotou -1. Dej si na ni pozor: jako index ukazuje na poslední znak, takže text[text.find("x")] nespadne a tiše vrátí něco špatného.
Vyber jen fotky
Ze seznamu soubory vyber ty, které končí na .jpg nebo .png, bez ohledu na velikost písmen. Ulož je do seznamu fotky s původním zápisem a v původním pořadí.
soubory = ["Dovolena.JPG", "smlouva.pdf", "pes.jpg", "Kocka.PNG", "jpg.txt", "png"]
fotky = []
# doplň
Text se nemění
Řetězec je neměnný. Žádná metoda nezmění původní text. Každá vrátí nový a ty si ho musíš uložit. Zapomenuté přiřazení je jedna z nejčastějších začátečnických chyb: kód běží, nic nehlásí a nic neudělá.
Protože metody vracejí řetězec, dají se řetězit za sebou. Funkce repr tady ukazuje text i s uvozovkami, takže jsou vidět mezery na krajích.
jmeno = " jAN novÁK "
jmeno.strip()
print(repr(jmeno))
ciste = jmeno.strip().title()
print(repr(ciste))
print(repr(jmeno))
telefon = "123 456 789"
print(telefon.replace(" ", ""))
print(telefon.replace(" ", "-", 1))
jmeno[0] = "J"
' jAN novÁK ' 'Jan Novák' ' jAN novÁK ' 123456789 123-456 789
Co vypíše tento kód: t = "ahoj", potom t.upper(), potom print(t)?
upper vrátil nový text, který si nikdo neuložil. Správně je t = t.upper().
Formátování jako z tiskárny
F-string umí víc než vložit hodnotu. Za dvojtečkou může být formátovací specifikace, tedy předpis, jak má hodnota vypadat. Díky ní se sloupce srovnají bez počítání mezer.
{hodnota:zarovnání šířka .desetiny typ}
{nazev:<14} vlevo, 14 znaků
{kusy:>3} vpravo, 3 znaky
{cena:>10.2f} vpravo, 10 znaků, 2 desetinná místapolozky = [("Chléb", 42.5, 2), ("Máslo", 69.9, 1), ("Káva zrnková", 289, 1)]
print(f"{'položka':<14}{'ks':>3}{'cena':>10}")
print("-" * 27)
celkem = 0
for nazev, cena, kusy in polozky:
soucet = cena * kusy
celkem += soucet
print(f"{nazev:<14}{kusy:>3}{soucet:>10.2f}")
print("-" * 27)
print(f"{'celkem':<14}{celkem:>13.2f}")
položka ks cena --------------------------- Chléb 2 85.00 Máslo 1 69.90 Káva zrnková 1 289.00 --------------------------- celkem 443.90
Další užitečné kousky: oddělovač tisíců, doplnění nulami, procenta, vlastní výplň a šířka v proměnné. Česká čísla mají mezeru a desetinnou čárku, což vyřeší dvě náhrady.
castka = 1234567.891
print(f"{castka:,.2f}")
print(f"{castka:,.2f}".replace(",", " ").replace(".", ","))
print(f"{7:03d}")
print(f"{0.1532:.1%}")
print(f"{255:x} {255:b}")
print(f"{'střed':*^11}")
sirka = 8
print(f"[{'ok':>{sirka}}]")
cena = 99
print(f"{cena=}")
print(f"{'text'!r}")
print(f"{2.675:.2f}")
1,234,567.89 1 234 567,89 007 15.3% ff 11111111 ***střed*** [ ok] cena=99 'text' 2.67
Poslední řádek není překlep. Číslo 2.675 se ve dvojkové soustavě nedá uložit přesně a ve skutečnosti je o chlup menší, takže se zaokrouhlí dolů. U peněz proto počítej v haléřích nebo s modulem decimal.
Srovnaná účtenka
Pro každou položku vypiš jeden řádek: název zarovnaný vlevo na šířku 10, hned za ním cena zarovnaná vpravo na šířku 8 se dvěma desetinnými místy. Mezi sloupci nic dalšího.
polozky = [("Rohlík", 3.5), ("Mléko", 24.9), ("Sýr", 159)]
for nazev, cena in polozky:
print(nazev, cena)
Znaky, bajty a diakritika
Některé znaky se nedají napsat přímo, a tak se zapisují přes zpětné lomítko: \n je nový řádek a \t tabulátor. Samotné lomítko se píše \\. To je nepříjemné u cest ve Windows. Pomůže surový řetězec s písmenem r před uvozovkami, ve kterém lomítko nic zvláštního neznamená. Text přes více řádků se píše do trojitých uvozovek.
print("první řádek\n\tdruhý odsazený")
print("C:\\novy\\test")
print(r"C:\novy\test")
basen = """Kočka leze dírou,
pes oknem."""
print(basen)
print(len(basen.splitlines()))
první řádek druhý odsazený C:\novy\test C:\novy\test Kočka leze dírou, pes oknem. 2
Každý znak má v normě Unicode své číslo. Když se text ukládá do souboru nebo posílá po síti, převede se na bajty, nejčastěji kódováním UTF-8. Písmena bez diakritiky zaberou jeden bajt, česká písmena s háčkem nebo čárkou dva.
A teď zrada: č se dá zapsat dvěma způsoby. Buď jako jeden hotový znak, nebo jako c následované samostatným háčkem. Na obrazovce vypadají stejně, ale Python je považuje za různé texty. Takové rozložené znaky chodí třeba z názvů souborů na Macu. Sjednotí je unicodedata.normalize.
import unicodedata
hotove = "č"
slozene = "c\u030c"
print(hotove, slozene, hotove == slozene)
print(len(hotove), len(slozene))
print(unicodedata.normalize("NFC", slozene) == hotove)
print(ord("č"), chr(269))
print("kůň".encode("utf-8"))
print(len("kůň"), len("kůň".encode("utf-8")))
print(b"k\xc5\xaf\xc5\x88".decode("utf-8"))
č č False 1 2 True 269 č b'k\xc5\xaf\xc5\x88' 3 5 kůň
Rozkladu se dá využít: forma NFD rozdělí písmena a značky a značky pak stačí vynechat. Tak vznikají adresy bez diakritiky. Řazení je další kapitola. sorted porovnává čísla znaků, takže velká písmena jdou před malá a č až za z.
import unicodedata
rozlozeno = unicodedata.normalize("NFD", "Žluťoučký kůň")
bez_hacku = ""
for znak in rozlozeno:
if not unicodedata.combining(znak):
bez_hacku += znak
print(bez_hacku)
print(sorted(["čaj", "Zuzana", "cukr", "adam", "Čenda", "dům"]))
Zlutoucky kun ['Zuzana', 'adam', 'cukr', 'dům', 'Čenda', 'čaj']
Adresa článku
Z textu nadpis vyrob adresu do proměnné slug: malá písmena, bez diakritiky, slova spojená pomlčkou, žádná interpunkce. Má vyjít prilis-zlutoucky-kun-upel-ale-bezel.
import unicodedata
nadpis = "Příliš žluťoučký kůň: úpěl, ale běžel!"
# doplň
Pod kapotou · jak CPython drží text v paměti
Od PEP 393 má každý řetězec pevnou šířku znaku podle svého největšího znaku: 1 bajt do U+00FF, 2 bajty do U+FFFF, jinak 4 bajty. Díky tomu je s[i] O(1) a len(s) je počet kódových bodů, ne bajtů. Cena: jedno emoji v megabajtovém ASCII logu zvětší celý řetězec čtyřikrát.
Kódový bod není to, co člověk vnímá jako znak. Emoji s odstínem pleti nebo vlajka mají len větší než 1, takže text[:100] může rozříznout viditelný znak napůl. Na hranice viditelných znaků (UAX #29) standardní knihovna nástroj nemá.
Opakované s += x v cyklu je podle jazyka kvadratické. CPython umí řetězec rozšířit na místě, když na něj nikdo jiný neukazuje, ale je to optimalizace implementace a PEP 8 na ni zakazuje spoléhat. Ve větším měřítku používej "".join(casti), který napřed spočítá délku a alokuje jednou.
import sys
for znak in ["a", "é", "č", "👍"]:
narust = sys.getsizeof(znak * 2001) - sys.getsizeof(znak * 1001)
print(znak, narust)
print("²".isdigit(), "²".isdecimal())
print(int("\u0664\u0662"))
print("řádek\u2028další\x0bkonec".splitlines())
print("1\xa0000".split())
print("Straße".lower(), "Straße".casefold(), "ß".upper())
a 1000 é 1000 č 2000 👍 4000 True False 42 ['řádek', 'další', 'konec'] ['1', '000'] straße strasse SS
Co z toho kouše v produkci:
isdigitpustí², na kterémintspadne. Přísnější jeisdecimal, jenžeintbere i arabsko-indické číslice. Při validaci vstupu proto kontroluj přímo znaky0až9.splitlinesdělí i podle\x0b,\x0c,\x85nebo\u2028. Iterace přes textový soubor dělí jen podle\n,\ra\r\n. Počty řádků se pak rozejdou a parser logů se rozpadne na jednom podivném znaku od uživatele.split()istrip()berou nezlomitelnou mezeru\xa0jako bílý znak,split(" ")ne. V datech z Excelu a webu je jí plno.- Bezpečné porovnání bez ohledu na velikost písmen je
casefold, nelower. Převod velikosti písmen může změnit délku textu, takže indexy z upravené kopie neplatí pro originál. NFDnerozloží písmena bez skládané formy, napříkladł,øneboß. Na slugy pro více jazyků je potřeba převodní tabulka přesstr.translate.- Správné české řazení, kde
chleží zah, neřešísortedanicasefold. Potřebuješ pravidla kolace:locale.strxfrmzávisí na locale systému, přenositelně to umí knihovna PyICU.
Od Pythonu 3.12 (PEP 701) smí f-string uvnitř výrazu použít stejné uvozovky jako navenek a výrazy můžou mít víc řádků. Pokud kód běží i na starších verzích, tuhle volnost nepoužívej. Přehled voleb je v popisu formátovacího jazyka.