字符串
Julia 中处理 ASCII 文本简洁高效,也可以处理 Unicode 。使用 C 风格的字符串代码来处理 ASCII 字符串,性能和语义都没问题。如果这种代码遇到非 ASCII 文本,会提示错误,而不是显示乱码。这时,修改代码以兼容非 ASCII 数据也很简单。
关于 Julia 字符串,有一些值得注意的高级特性:
- String 是个抽象类型,不是具体类型
- Julia 的 Char 类型代表单字符,是由 32 位整数表示的 Unicode 码位
- 与 Java 中一样,字符串不可更改: String 对象的值不能改变。要得到不同的字符串,需要构造新的字符串
- 概念上,字符串是从索引值映射到字符的 部分函数 ,对某些索引值,如果不是字符,会抛出异常
- Julia 支持全部 Unicode 字符: 文本字符通常都是 ASCII 或 UTF-8 的,但也支持其它编码
字符
Char 表示单个字符:它是 32 位整数,值参见 Unicode 码位 。下面是如何输入和显示 Char :
julia> 'x'
'x'
julia> typeof(ans)
Char
可以把 Char 转换为对应整数值:
julia> int('x')
120
julia> typeof(ans)
Int64
在 32 位架构上, typeof(ans) 的类型为 Int32 。也可以把整数值转换为 Char :
julia> char(120)
'x'
并非所有的整数值都是有效的 Unicode 码位,但为了性能, char 一般不检查其是否有效。如果你想要确保其有效,使用 is_valid_char 函数:
julia> char(0x110000)
'\U110000'
julia> is_valid_char(0x110000)
false
目前,有效的 Unicode 码位为,从 U+00 至 U+d7ff ,以及从 U+e000 至 U+10ffff 。
可以用单引号包住 \u 及跟着的最多四位十六进制数,或者 \U 及跟着的最多八位(有效的字符,最多需要六位)十六进制数,来输入 Unicode 字符:
julia> '\u0'
'\0'
julia> '\u78'
'x'
julia> '\u2200'
'∀'
julia> '\U10ffff'
'\U10ffff'
Julia 使用系统默认的区域和语言设置来确定,哪些字符可以被正确显示,哪些需要用 \u 或 \U 的转义来显示。除 Unicode 转义格式之外,所有 C 语言转义的输入格式 都能使:
julia> int('\0')
0
julia> int('\t')
9
julia> int('\n')
10
julia> int('\e')
27
julia> int('\x7f')
127
julia> int('\177')
127
julia> int('\xff')
255
可以对 Char 值比较大小,也可以做少量算术运算:
julia> 'A' < 'a'
true
julia> 'A' <= 'a' <= 'Z'
false
julia> 'A' <= 'X' <= 'Z'
true
julia> 'x' - 'a'
23
julia> 'A' + 1
'B'
字符串基础
用字符串初始化变量:
julia> str = "Hello, world.\n"
"Hello, world.\n"
使用索引从字符串提取字符:
julia> str[1]
'H'
julia> str[6]
','
julia> str[end]
'\n'
Julia 中的索引都是从 1 开始的,最后一个元素的索引与字符串长度相同,都是 n 。
在任何索引表达式中,关键词 end 都是最后一个索引值(由 endof(str) 计算得到)的缩写。可以对字符串做 end 算术或其它运算:
julia> str[end-1]
'.'
julia> str[end/2]
' '
julia> str[end/3]
'o'
julia> str[end/4]
'l'
索引小于 1 或者大于 end ,会提示错误:
julia> str[0]
BoundsError()
julia> str[end+1]
BoundsError()
使用范围索引来提取子字符串:
julia> str[4:9]
"lo, wo"
注意 str[k] 和 str[k:k] 的区别:
julia> str[6]
','
julia> str[6:6]
","
前者是类型为 Char 的单个字符,后者为仅有一个字符的字符串。在 Julia 中这两者完全不同。
Unicode 和 UTF-8
Julia 完整支持 Unicode 字符和字符串。正如 上文所讨论的 ,在字符文本中, Unicode 码位可以由 \u 和 \U 来转义,也可以使用标准 C 的转义序列。它们都可以用来写字符串文本:
julia> s = "\u2200 x \u2203 y"
"∀ x ∃ y"
非 ASCII 字符串文本使用 UTF-8 编码。 UTF-8 是一种变长编码,意味着并非所有的字符的编码长度都是相同的。在 UTF-8 中,码位低于 0x80 (128) 的字符即 ASCII 字符,编码如在 ASCII 中一样,使用单字节;其余码位的字符使用多字节,每字符最多四字节。这意味着 UTF-8 字符串中,并非所有的字节索引值都是有效的字符索引值。如果索引到无效的字节索引值,会抛出错误:
julia> s[1]
'∀'
julia> s[2]
invalid UTF-8 character index
julia> s[3]
invalid UTF-8 character index
julia> s[4]
' '
上例中,字符 ∀ 为 3 字节字符,所以索引值 2 和 3 是无效的,而下一个字符的索引值为 4。
由于变长编码,字符串的字符数(由 length(s) 确定)不一定等于字符串的最后索引值。对字符串 s 进行索引,并从 1 遍历至 endof(s) ,如果没有抛出异常,返回的字符序列将包括 s 的序列。因而 length(s) <= endof(s) 。下面是个低效率的遍历 s 字符的例子:
julia> for i = 1:endof(s)
try
println(s[i])
catch
# ignore the index error
end
end
∀
x
∃
y
所幸我们可以把字符串作为遍历对象,而不需处理异常:
julia> for c in s
println(c)
end
∀
x
∃
y
Julia 不只支持 UTF-8 ,增加其它编码的支持也很简单。有关 UTF-8 的讨论,详见下面的 字节数组文本 。
内插
字符串连接是最常用的操作:
julia> greet = "Hello"
"Hello"
julia> whom = "world"
"world"
julia> string(greet, ", ", whom, ".\n")
"Hello, world.\n"
像 Perl 一样, Julia 允许使用 $ 来内插字符串文本:
julia> "$greet, $whom.\n"
"Hello, world.\n"
系统会将其重写为字符串文本连接。
$ 将其后的最短的完整表达式内插进字符串。可以使用小括号将任意表达式内插:
julia> "1 + 2 = $(1 + 2)"
"1 + 2 = 3"
字符串连接和内插都调用 string 函数来把对象转换为 String 。与在交互式会话中一样,大多数非 String 对象被转换为字符串:
julia> v = [1,2,3]
3-element Int64 Array:
1
2
3
julia> "v: $v"
"v: [1, 2, 3]"
Char 值也可以被内插到字符串中:
julia> c = 'x'
'x'
julia> "hi, $c"
"hi, x"
要在字符串文本中包含 $ 文本,应使用反斜杠将其转义:
julia> print("I have \$100 in my account.\n")
I have $100 in my account.
一般操作
使用标准比较运算符,按照字典顺序比较字符串:
julia> "abracadabra" < "xylophone"
true
julia> "abracadabra" == "xylophone"
false
julia> "Hello, world." != "Goodbye, world."
true
julia> "1 + 2 = 3" == "1 + 2 = $(1 + 2)"
true
使用 search 函数查找某个字符的索引值:
julia> search("xylophone", 'x')
1
julia> search("xylophone", 'p')
5
julia> search("xylophone", 'z')
0
可以通过提供第三个参数,从此偏移值开始查找:
julia> search("xylophone", 'o')
4
julia> search("xylophone", 'o', 5)
7
julia> search("xylophone", 'o', 8)
0
另一个好用的处理字符串的函数 repeat :
julia> repeat(".:Z:.", 10)
".:Z:..:Z:..:Z:..:Z:..:Z:..:Z:..:Z:..:Z:..:Z:..:Z:."
其它一些有用的函数:
- endof(str) 给出 str 的最大(字节)索引值
- length(str) 给出 str 的字符数
- i = start(str) 给出第一个可在 str 中被找到的字符的有效索引值(一般为 1 )
- c, j = next(str,i) 返回索引值 i 处或之后的下一个字符,以及之后的下一个有效字符的索引值。通过 start 和 endof ,可以用来遍历 str 中的字符
- ind2chr(str,i) 给出字符串中第 i 个索引值所在的字符,对应的是第几个字符
- chr2ind(str,j) 给出字符串中索引为 i 的字符,对应的(第一个)字节的索引值
非标准字符串文本
Julia 提供了 非标准字符串文本 。它在正常的双引号括起来的字符串文本上,添加了前缀标识符。下面将要介绍的正则表达式,就是非标准字符串文本的一个例子。 元编程 章节有另外的一些例子。
正则表达式
Julia 的正则表达式 (regexp) 与 Perl 兼容,由 PCRE 库提供。它是一种非标准字符串文本,前缀为 r ,最后面可再跟一些标识符。最基础的正则表达式仅为 r"..." 的形式:
julia> r"^\s*(?:#|$)"
r"^\s*(?:#|$)"
julia> typeof(ans)
Regex
检查正则表达式是否匹配字符串,使用 ismatch 函数:
julia> ismatch(r"^\s*(?:#|$)", "not a comment")
false
julia> ismatch(r"^\s*(?:#|$)", "# a comment")
true
ismatch 根据正则表达式是否匹配字符串,返回真或假。 match 函数可以返回匹配的具体情况:
julia> match(r"^\s*(?:#|$)", "not a comment")
julia> match(r"^\s*(?:#|$)", "# a comment")
RegexMatch("#")
如果没有匹配, match 返回 nothing ,这个值不会在交互式会话中打印。除了不被打印,这个值完全可以在编程中正常使用:
m = match(r"^\s*(?:#|$)", line)
if m == nothing
println("not a comment")
else
println("blank or comment")
end
如果匹配成功, match 的返回值是一个 RegexMatch 对象。这个对象记录正则表达式是如何匹配的,包括类型匹配的子字符串,和其他捕获的子字符串。本例中仅捕获了匹配字符串的一部分,假如我们想要注释字符后的非空白开头的文本,可以这么写:
julia> m = match(r"^\s*(?:#\s*(.*?)\s*$|$)", "# a comment ")
RegexMatch("# a comment ", 1="a comment")
可以在 RegexMatch 对象中提取下列信息:
- 完整匹配的子字符串: m.match
- 捕获的子字符串组成的字符串多元组: m.captures
- 完整匹配的起始偏移值: m.offset
- 捕获的子字符串的偏移值向量: m.offsets
对于没匹配的捕获, m.captures 的内容不是子字符串,而是 nothing , m.offsets 为 0 偏移( Julia 中的索引值都是从 1 开始的,因此 0 偏移值表示无效):
julia> m = match(r"(a|b)(c)?(d)", "acd")
RegexMatch("acd", 1="a", 2="c", 3="d")
julia> m.match
"acd"
julia> m.captures
3-element Union(UTF8String,ASCIIString,Nothing) Array:
"a"
"c"
"d"
julia> m.offset
1
julia> m.offsets
3-element Int64 Array:
1
2
3
julia> m = match(r"(a|b)(c)?(d)", "ad")
RegexMatch("ad", 1="a", 2=nothing, 3="d")
julia> m.match
"ad"
julia> m.captures
3-element Union(UTF8String,ASCIIString,Nothing) Array:
"a"
nothing
"d"
julia> m.offset
1
julia> m.offsets
3-element Int64 Array:
1
0
2
可以把结果多元组绑定给本地变量:
julia> first, second, third = m.captures; first
"a"
可以在右引号之后,使用标识符 i, m, s, 及 x 的组合,来修改正则表达式的行为。这几个标识符的用法与 Perl 中的一样,详见 perlremanpage :
i 不区分大小写
m 多行匹配。 "^" 和 "$" 匹配多行的起始和结尾
s 单行匹配。 "." 匹配所有字符,包括换行符
一起使用时,例如 r""ms 中, "." 匹配任意字符,而 "^" 与 "$" 匹配字符串中新行之前和之后的字符
x 忽略大多数空白,除非是反斜杠。可以使用这个标识符,把正则表达式分为可读的小段。 '#' 字符被认为是引入注释的元字符
例如,下面的正则表达式使用了所有选项:
julia> r"a+.*b+.*?d$"ism
r"a+.*b+.*?d$"ims
julia> match(r"a+.*b+.*?d$"ism, "Goodbye,\nOh, angry,\nBad world\n")
RegexMatch("angry,\nBad world")
字节数组文本
另一类非标准字符串文本为 b"..." ,可以表示文本化的字节数组,如 Uint8 数组。习惯上,非标准文本的前缀为大写,会生成实际的字符串对象;而前缀为小写的,会生成非字符串对象,如字节数组或编译后的正则表达式。字节表达式的规则如下:
- ASCII 字符与 ASCII 转义符生成一个单字节
- \x 和 八进制转义序列生成对应转义值的 字节
- Unicode 转义序列生成 UTF-8 码位的字节序列
三种情况都有的例子:
julia> b"DATA\xff\u2200"
[68,65,84,65,255,226,136,128]
ASCII 字符串 “DATA” 对应于字节 68, 65, 84, 65 。 \xff 生成的单字节为 255 。Unicode 转义 \u2200 按 UTF-8 编码为三字节 226, 136, 128 。注意,字节数组的结果并不对应于一个有效的 UTF-8 字符串,如果把它当作普通的字符串文本,会得到语法错误:
julia> "DATA\xff\u2200"
syntax error: invalid UTF-8 sequence
\xff 和 \uff 也不同:前者是 字节 255 的转义序列;后者是 码位 255 的转义序列,将被 UTF-8 编码为两个字节:
julia> b"\xff"
1-element Uint8 Array:
0xff
julia> b"\uff"
2-element Uint8 Array:
0xc3
0xbf
在字符文本中,这两个是相同的。 \xff 也可以代表码位 255,因为字符 永远 代表码位。然而在字符串中, \x 转义永远表示字节而不是码位,而 \u 和 \U 转义永远表示码位,编码后为 1 或多个字节。
链接:
http://julia-zh-cn.readthedocs.org/en/latest/manual/strings/