编辑:改写问题以更好地理解。
对于我正在使用霍夫曼压缩技术进行的项目,我需要序列化霍夫曼树。
以下文字
“买票可以骑着巨大的螺旋状水滑梯,也可以穿过漆成鲜艳的胶合板制成的游乐迷宫。整个夏天,笑声不断。”
将产生一个霍夫曼树,其序列化如下所示:
'N57|L23, |N34|N16|N8|N4|N2|L1,made|L1,long|N2|L1,bought' \
'|L1,summer|N4|N2|L1,painted|L1,from|N2|L1,|L1,sounds|N8|N4|N2|L1,play|' \
'L1,tickets|N2|L1,All|L1,down|N4|N2|L1,brightly|L1,spiraling|N2|L1,giant|' \
'L1,ride|N18|N8|N4|N2|L1,. |L1,plywood|N2|L1,laughingreplace|L1,water|N4|' \
'N2|L1,the|L1,to|N2|L1,of|L1,through|N10|N4|N2|L1,run|L1,or|L2,a|N6|N3|' \
'L1,slide|N2|L1,maze|L1,, |L3,'
注意:这是分隔树符号的正则表达式:
'(\W+)'
文本也可以是HTML,并包含字符。
'|' and '\'
为了逃避他们,我改变了
'|' to '\|'
'\' to '\\'
拆分数据时,我需要忽略转义字符,仅删除管道。给定下一个输入,这将成为一个问题:
'replace( /(^|\s)client-nojs(\s|$)/, "$1client-js$2" );</script>'
这是序列化的输出
'N19|N8|N4|N2|L1,)|L1," );</|N2|L1,script|L1,client|' \
'N4|N2|L1,2|L1,js|N2|L1,(\|L1,nojs|N11|N4|L2,s|N2|L1,replace|L1,>' \
'|N7|N3|L1,1client|N2|L1,$|L1,( /(^\|\|N4|N2|L1,\|$)/, "$|L1,|L2,-'
现在尝试拆分它成为一个问题。我知道我需要删除在其前面有偶数个斜杠的管道。
['\\|', '|', '\\\\|', ...] Valid delimiters
['\|', '\\\|', ...] Invalid delimiters
当我的序列化字符串的末尾包含斜杠时,就会发生这种情况。
'N54, test\\' will turn into 'N54, test\\\\|N44 ...'
到目前为止,我到了这个正则表达式的地步
r'(?<!\\)(\\\\)*\|'
捕获在其前面有偶数个斜杠的管道。但是,当使用re.split()时,我总是会遇到两个问题之一
两者都破坏了我的非序列化。我需要删除管道,同时忽略斜线。
如果可能,我想知道如何使用re.split()做到这一点,尽管我开始认为只有使用re.findall()才有可能
编辑说明:拆分数据不应包含空字符串。
我编写了一个酷刑测试,该测试创建并组合了多个小字符串-我认为它应该处理大多数极端情况。
马里亚诺的finditer()
答案通过了飞跃测试。但是,在我的机器上,它比使用慢15%-20%split()
。
但是,他有一个新的findall()
解决方案,在此方法中,他在将字符串传递给之前对其进行了修改re
,该方法比split()
此处显示的解决方案更快,更简单。
请注意,由于最近澄清了OP将在竖线字符之间永远不会有任何空字符串的情况,因此,findall()
由Mariano提出的原始示例(无需对初始字符串进行修改)最适合原始张贴者。
Mariano的findall()
带有预修改字符串的新解决方案可能最适合一般情况。排split()
在第二位,但这是我关注的重点,因为它是原始问题的重点:-)
以下代码适用于Python 2和Python 3。
import re
import itertools
import time
def use_finditer(data):
regex = re.compile(r'((?:[^|\\]+|\\.)*)([|])?')
result = []
for m in regex.finditer(data):
result.append(m.group(1))
if (not m.group(2)):
break
return result
def use_split(data):
regex = re.compile(r'(?:\|)?((?:[^|\\]|\\.)*)')
result = regex.split(data)
start_delete = data.startswith('|') * 2 if data else 1
del result[start_delete::2]
return result
def check_split(split_func):
values = '', '', '', ' ', ' ', '|', '|', '\\', '\\\\', 'abc', 'd|ef', 'ghi\\'
values = [x.replace('\\', '\\\\').replace('|', '\\|') for x in values]
stuff = [], []
for i in range(1, 6):
srclist = list(itertools.permutations(values, i))
for src in srclist:
src = tuple(src)
dst = tuple(split_func('|'.join(src)))
stuff[dst != src].append((src, dst))
if not stuff[1]:
print("Successfully executed %d splits" % len(stuff[0]))
return
print(len(stuff[0]), len(stuff[1]))
stuff[1].sort(key=lambda x: (len(x), x))
for x, y in stuff[1][:20]:
z = '|'.join(x)
print(x, repr(z), y)
def check_loop(func, count=20):
start = time.time()
for i in range(count):
check_split(func)
print('Execution time: %0.2f' % (time.time() - start))
print('\nUsing finditer')
check_loop(use_finditer)
print('\nUsing split')
check_loop(use_split)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句