如何在Python中替换一个字符串

后端之巅
495 阅读10分钟

如何在Python中替换一个字符串

如果你正在寻找在 Python 中删除或替换全部或部分字符串的方法，那么本教程就是为你准备的。你将采用一个虚构的聊天室记录，并使用**.replace() 方法和re.sub() 函数 对其进行消毒。

在Python中，.replace() 方法和re.sub() 函数经常被用来通过删除字符串或子串或替换它们来清理文本。在本教程中，你将扮演一家公司的开发人员，该公司通过一对一的文本聊天提供技术支持。你的任务是创建一个脚本，对聊天进行消毒，删除任何个人数据，并将任何脏话替换为表情符号。

你只得到一份很短的聊天记录。

[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!

尽管这份记录很短，但它是代理一直以来的典型聊天类型。它有用户标识符、ISO时间戳和信息。

在这种情况下，客户johndoe 提出投诉，而公司的政策是对记录稿进行消毒和简化，然后将其传递给独立评估。对信息进行消毒是你的工作!

如何删除或替换一个Python字符串或子串

在Python中替换一个字符串的最基本方法是使用.replace() string方法。

>>>

>>> "Fake Python".replace("Fake", "Real")
'Real Python'

正如你所看到的，你可以将.replace() 链接到任何字符串上，并为该方法提供两个参数。第一个是你想替换的字符串，第二个是替换的内容。

注意：尽管 Python shell 显示了.replace() 的结果，但字符串本身保持不变。你可以通过把你的字符串赋值给一个变量来更清楚地看到这一点。

>>>

>>> name = "Fake Python"
>>> name.replace("Fake", "Real")
'Real Python'

>>> name
'Fake Python'

>>> name = name.replace("Fake", "Real")
'Real Python'

>>> name
'Real Python'

注意，当你简单地调用.replace() 时，name 的值没有变化。但是当你把name.replace() 的结果分配给name 变量时，'Fake Python' 就变成了'Real Python' 。

现在是时候把这些知识应用到成绩单上了。

>>>

>>> transcript = """\
... [support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
... [johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
... [support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
... [johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!"""

>>> transcript.replace("BLASTED", "😤")
[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY 😤 ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!

将成绩单加载为一个三引号的字符串，然后对其中一个脏话使用.replace() 方法，效果不错。但是还有一个脏话没有被替换，因为在Python中，字符串需要完全匹配。

>>>

>>> "Fake Python".replace("fake", "Real")
'Fake Python'

正如你所看到的，即使一个字母的大小写不匹配，也会阻止任何替换。这意味着，如果你使用.replace() 方法，你需要多次调用它，并进行变化。在这种情况下，你可以在另一个调用.replace() 。

>>>

>>> transcript.replace("BLASTED", "😤").replace("Blast", "😤")
[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY 😤 ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : 😤! You're right!

成功了!但你可能在想，对于像通用的转录消毒器这样的东西，这并不是最好的方法。你会想朝着有一个替换列表的方向发展，而不是每次都要打出.replace() 。

设置多个替换规则

你还需要对记录稿进行一些替换，使其成为独立审查可接受的格式。

  • 缩短或删除时间戳
  • 用代理人和客户替换用户名

现在你开始有更多的字符串需要替换，在.replace() ，会有重复的情况。一个想法是保留一个图元的列表，每个图元有两个项目。这两个项目将对应于你需要传入.replace() 方法的参数--要替换的字符串和替换的字符串。

# transcript_multiple_replace.py

REPLACEMENTS = [
    ("BLASTED", "😤"),
    ("Blast", "😤"),
    ("2022-08-24T", ""),
    ("+00:00", ""),
    ("[support_tom]", "Agent "),
    ("[johndoe]", "Client"),
]

transcript = """
[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!
"""

for old, new in REPLACEMENTS:
    transcript = transcript.replace(old, new)

print(transcript)

在这个版本的脚本中，你创建了一个替换图元的列表，这给了你一个快速添加替换的方法。如果你有大量的替换内容，你甚至可以从一个外部CSV文件中创建这个图元列表。

然后你在替换图元的列表上进行迭代。在每次迭代中，你在字符串上调用.replace() ，用从每个替换元组中解包的old 和new 变量来填充参数。

注意：在这种情况下，for 循环中的解包在功能上与使用索引是一样的。

for replacement in replacements:
    new_transcript = new_transcript.replace(replacement[0], replacement[1])

有了这个，你在成绩单的整体可读性上就有了很大的改进。如果你需要的话，也更容易添加替换内容。运行这个脚本可以看到一个更干净的成绩单。

$ python transcript_multiple_replace.py
Agent  10:02:23 : What can I help you with?
Client 10:03:15 : I CAN'T CONNECT TO MY 😤 ACCOUNT
Agent  10:03:30 : Are you sure it's not your caps lock?
Client 10:04:03 : 😤! You're right!

这是一份相当干净的成绩单。也许这就是你所需要的一切。但是，如果你内心的自动驾驶者并不高兴，也许是因为还有一些东西可能让你感到不快。

  • 如果有另一个使用*-ing的变体或不同的大写字母，如BLAst*，替换脏话就不起作用。
  • 从时间戳中删除日期目前只适用于2022年8月24日。
  • 移除完整的时间戳将涉及到为每一个可能的时间设置替换对，这不是你所热衷的事情。
  • 在Agent后面添加空格，以便将你的列排成一排，但不是很普遍。

如果这些是你关心的问题，那么你可能想把你的注意力转向正则表达式。

利用re.sub() 来制定复杂的规则

每当你想做任何稍微复杂或需要一些通配符的替换时，你通常会想把你的注意力转向正则表达式，也被称为regex。

正则表达式是一种由定义模式的字符组成的迷你语言。这些模式，或称regexes，通常用于在查找和查找及替换操作中搜索字符串。许多编程语言都支持REGEX，而且它被广泛使用。雷格函数甚至会给你带来超能力。

在Python中，利用regex意味着使用re 模块的sub() 函数并建立你自己的regex模式。

# transcript_regex.py

import re

REGEX_REPLACEMENTS = [
    (r"blast\w*", "😤"),
    (r" [-T:+\d]{25}", ""),
    (r"\[support\w*\]", "Agent "),
    (r"\[johndoe\]", "Client"),
]

transcript = """
[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!
"""

for old, new in REGEX_REPLACEMENTS:
    transcript = re.sub(old, new, transcript, flags=re.IGNORECASE)

print(transcript)

虽然你可以混合使用sub() 函数和.replace() 方法，但这个例子只使用sub() ，所以你可以看到它是如何使用的。你会注意到，你现在只用一个替换元组就可以替换所有的脏话变化。同样地，你只用一个词组来表示完整的时间戳。

$ python transcript_regex.py
Agent  : What can I help you with?
Client : I CAN'T CONNECT TO MY 😤 ACCOUNT
Agent  : Are you sure it's not your caps lock?
Client : 😤! You're right!

现在你的成绩单已经被完全净化了，所有的噪音都被清除了!这是怎么做到的？这就是重词的魔力。

第一个铰链模式，"blast\w*" ，利用了\w 特殊字符，它将匹配字母数字字符和下划线。在它后面直接添加* 量词，将匹配\w 的零个或多个字符。

第一个模式的另一个重要部分是，re.IGNORECASE 标志使它成为一个不区分大小写的模式。所以现在，任何包含blast 的子串，无论其大小写如何，都将被匹配和替换。

注意： "blast\w*" 模式是相当广泛的，它也会将fibroblast 修改为fibro😤 。它也不能识别该词的礼貌性使用。它只是匹配这些字符。也就是说，你想审查的典型的脏话并没有真正的礼貌性的替代含义!

第二个重码模式使用字符集和量词来替换时间戳。你经常把字符集和量词放在一起使用。例如，一个[abc] 的 regex 模式将匹配a,b, 或c 的一个字符。在它后面直接放一个* 将匹配a,b, 或c 的零个或多个字符。

不过，还有更多的量词。如果你使用[abc]{10} ，它将准确地匹配a,b 或c 的十个字符，而且是以任何顺序和任何组合。还要注意的是，重复的字符是多余的，所以[aa] 相当于[a] 。

对于时间戳，你使用[-T:+\d] 的扩展字符集来匹配所有可能在时间戳中找到的字符。与量词{25} 搭配，这将匹配任何可能的时间戳，至少到10000年为止。

注意：特殊字符，\d ，可以匹配任何数字字符。

时间戳重码模式允许你在时间戳格式中选择任何可能的日期。由于时间对这些记录的独立审查员来说并不重要，所以你用一个空字符串替换它们。可以写一个更高级的铰链，在删除日期的同时保留时间信息。

第三个regex模式是用来选择任何以关键词"support" 开始的用户字符串。注意你要转义(\)方括号([)，因为否则这个关键词会被解释为一个字符集。

最后，最后一个regex模式选择了客户端的用户名字符串，并将其替换为"Client" 。

注意：虽然更详细地了解这些regex模式会非常有趣，但本教程并不是关于regex的。另外，你还可以利用奇妙的RegExr网站，因为重合运算是很棘手的，各种级别的重合运算向导都依赖像RegExr这样方便的工具。

RegExr特别好，因为你可以复制和粘贴重码模式，它将为你分解它们并提供解释。

有了regex，你可以大大减少你必须写出来的替换程序的数量。尽管如此，你仍然可能要想出许多模式。由于Rgex并不是最易读的语言，有很多模式很快就会变得难以维护。

值得庆幸的是，有一个巧妙的技巧，re.sub() ，让你对替换的工作方式有更多的控制，而且它提供了一个更可维护的架构。

使用re.sub() 的回调来实现更多的控制

Python 和sub() 的一个技巧是，你可以传入一个回调函数而不是替换字符串。这使你可以完全控制如何进行匹配和替换。

为了开始构建这个版本的誊本消毒脚本，你将使用一个基本的重合码模式来看看如何使用回调函数和sub() 。

# transcript_regex_callback.py

import re

transcript = """
[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!
"""

def sanitize_message(match):
    print(match)

re.sub(r"[-T:+\d]{25}", sanitize_message, transcript)

你所使用的重词模式将与时间戳相匹配，而不是提供一个替换字符串，你将传入一个对sanitize_message() 函数的引用。现在，当sub() 找到一个匹配对象时，它将以匹配对象为参数调用sanitize_message() 。

由于sanitize_message() 只是打印它收到的作为参数的对象，当运行这个时，你会看到匹配对象被打印到控制台。

$ python transcript_regex_callback.py
<re.Match object; span=(15, 40), match='2022-08-24T10:02:23+00:00'>
<re.Match object; span=(79, 104), match='2022-08-24T10:03:15+00:00'>
<re.Match object; span=(159, 184), match='2022-08-24T10:03:30+00:00'>
<re.Match object; span=(235, 260), match='2022-08-24T10:04:03+00:00'>

匹配对象是re 模块的组成部分之一。更基本的re.match() 函数返回一个匹配对象。sub() 不返回任何匹配对象，但在幕后使用它们。

因为你在回调中得到这个匹配对象，你可以使用其中包含的任何信息来构建替换字符串。一旦构建完成，你就返回新的字符串，sub() 将用返回的字符串替换匹配。

将回调应用到脚本中

在你的成绩单消毒脚本中，你将利用匹配对象的.groups() 方法来返回两个捕获组的内容，然后你可以在自己的函数中对每个部分进行消毒，或者丢弃它。

# transcript_regex_callback.py

import re

ENTRY_PATTERN = (
    r"\[(.+)\] "  # User string, discarding square brackets
    r"[-T:+\d]{25} "  # Time stamp
    r": "  # Separator
    r"(.+)"  # Message
)
BAD_WORDS = ["blast", "dash", "beezlebub"]
CLIENTS = ["johndoe", "janedoe"]

def censor_bad_words(message):
    for word in BAD_WORDS:
        message = re.sub(rf"{word}\w*", "😤", message, flags=re.IGNORECASE)
    return message

def censor_users(user):
    if user.startswith("support"):
        return "Agent"
    elif user in CLIENTS:
        return "Client"
    else:
        raise ValueError(f"unknown client: '{user}'")

def sanitize_message(match):
    user, message = match.groups()
    return f"{censor_users(user):<6} : {censor_bad_words(message)}"

transcript = """
[support_tom] 2022-08-24T10:02:23+00:00 : What can I help you with?
[johndoe] 2022-08-24T10:03:15+00:00 : I CAN'T CONNECT TO MY BLASTED ACCOUNT
[support_tom] 2022-08-24T10:03:30+00:00 : Are you sure it's not your caps lock?
[johndoe] 2022-08-24T10:04:03+00:00 : Blast! You're right!
"""

print(re.sub(ENTRY_PATTERN, sanitize_message, transcript))

与其有很多不同的词条，你可以有一个顶级的词条来匹配整个行，用大括号(())把它分成捕获组。捕获组对实际的匹配过程没有影响，但它们会影响匹配结果的匹配对象。

  • \[(.+)\] 匹配任何由方括号包裹的字符序列。捕获组会挑选出用户名字符串，例如 。johndoe
  • [-T:+\d]{25} 匹配时间戳，这一点你在上一节中探讨过。因为你不会在最后的记录中使用时间戳，所以它不会用大括号捕获。
  • : 匹配一个字面的冒号。冒号是作为消息元数据和消息本身之间的分隔符。
  • (.+) 匹配任何字符序列，直到该行的末尾，这将是该消息。

通过调用.groups() 方法，捕获组的内容将作为匹配对象中的单独项目，该方法返回一个匹配字符串的元组。

注意：入口处的 regex 定义使用 Python 的隐式字符串连接法。

ENTRY_PATTERN = (
    r"\[(.+)\] "  # User string, discarding square brackets
    r"[-T:+\d]{25} "  # Time stamp
    r": "  # Separator
    r"(.+)"  # Message
)

在功能上，这与把它全部写成一个单一的字符串相同：r"\[(.+)\] [-T:+\d]{25} : (.+)" 。将较长的 regex 模式组织在不同的行中，允许你将它分成几块，这不仅使它更容易阅读，而且也允许你插入注释。

这两组是用户字符串和消息。.groups() 方法将它们作为一个字符串的元组返回。在sanitize_message() 函数中，你首先使用解包将这两个字符串分配给变量。

def sanitize_message(match):
    user, message = match.groups()
    return f"{censor_users(user):<6} : {censor_bad_words(message)}"

请注意这种结构是如何在顶层允许一个非常广泛和包容的词组，然后让你在替换回调中用更精确的词组来补充它。

sanitize_message() 函数使用了两个函数来清理用户名和坏词。此外，它还使用f-strings来证明信息的合理性。请注意censor_bad_words() 是如何使用动态创建的词组的，而censor_users() 则是依靠更基本的字符串处理。

现在看来，这是一个很好的誊本消毒脚本的第一个原型。输出是非常干净的。

$ python transcript_regex_callback.py
Agent  : What can I help you with?
Client : I CAN'T CONNECT TO MY 😤 ACCOUNT
Agent  : Are you sure it's not your caps lock?
Client : 😤! You're right!

很好!使用带有回调的sub() ，给了你更大的灵活性来混合和匹配不同的方法，并动态地建立重码。当你的老板或客户不可避免地改变对你的要求时，这种结构也给了你最大的发展空间。

摘要

在本教程中，你已经学会了如何在 Python 中替换字符串。一路走来，你已经从使用基本的 Python.replace() 字符串方法到使用带有re.sub() 的回调来实现绝对控制。你还探索了一些 regex 模式，并将它们解构为一个更好的架构来管理一个替换脚本。

有了这些知识，你已经成功地清理了一份聊天记录，现在已经可以进行独立审查了。不仅如此，你的成绩单净化脚本还有很大的发展空间。

avatar
文章
阅读
粉丝