文字列をスペースで分割します—引用符で囲まれた部分文字列を保持します— Pythonで

私はこのような文字列を持っています：

this is "a test"

引用符内のスペースを無視しながら、スペースで分割する何かをPythonで記述しようとしています。私が探している結果は次のとおりです：

['this','is','a test']

PS。私はあなたが「引用の中に引用があるとどうなるか、私のアプリケーションではどうなるかと尋ねるでしょう」

必要なのsplitは、組み込みshlexモジュールからです。

>>> import shlex
>>> shlex.split('this is "a test"')
['this', 'is', 'a test']

これはまさにあなたが望むことをするはずです。

shlex特にモジュールを見てくださいshlex.split。

>>> import shlex
>>> shlex.split('This is "a test"')
['This', 'is', 'a test']

ここでは、複雑かつ/または間違っている正規表現のアプローチが見られます。regex構文は「空白または引用符で囲まれたもの」を簡単に記述でき、ほとんどのregexエンジン（Pythonを含む）はregexで分割できるため、これは私を驚かせます。したがって、正規表現を使用する場合は、どういう意味か正確に言ってみませんか？：

test = 'this is "a test"'  # or "this is 'a test'"
# pieces = [p for p in re.split("( |[\\\"'].*[\\\"'])", test) if p.strip()]
# From comments, use this:
pieces = [p for p in re.split("( |\\\".*?\\\"|'.*?')", test) if p.strip()]

説明：

[\\\"'] = double-quote or single-quote
.* = anything
( |X) = space or X
.strip() = remove space and empty-string separators

しかし、おそらくshlexはより多くの機能を提供します。

ユースケースによっては、csvモジュールをチェックアウトすることもできます。

import csv
lines = ['this is "a string"', 'and more "stuff"']
for row in csv.reader(lines, delimiter=" "):
    print(row)

出力：

['this', 'is', 'a string']
['and', 'more', 'stuff']

shlex.splitを使用して70,000,000行のSquidログを処理しますが、非常に遅いです。だから私は再に切り替えました。

shlexのパフォーマンスに問題がある場合は、これを試してください。

import re

def line_split(line):
    return re.findall(r'[^"\s]\S*|".+?"', line)

この質問は正規表現でタグ付けされているので、私は正規表現アプローチを試すことにしました。最初に、引用符部分のすべてのスペースを\ x00で置き換え、次にスペースで分割し、次に\ x00を各部分のスペースに戻します。

どちらのバージョンも同じことを行いますが、splitterは、splitter2よりも読みやすくなっています。

import re

s = 'this is "a test" some text "another test"'

def splitter(s):
    def replacer(m):
        return m.group(0).replace(" ", "\x00")
    parts = re.sub('".+?"', replacer, s).split()
    parts = [p.replace("\x00", " ") for p in parts]
    return parts

def splitter2(s):
    return [p.replace("\x00", " ") for p in re.sub('".+?"', lambda m: m.group(0).replace(" ", "\x00"), s).split()]

print splitter2(s)

パフォーマンス上の理由からre高速であるようです。これは、外側の引用符を保持する最小の貪欲演算子を使用した私の解決策です。

re.findall("(?:\".*?\"|\S)+", s)

結果：

['this', 'is', '"a test"']

aaa"bla blub"bbbこれらのトークンはスペースで区切られていないため、一緒に構築されます。文字列にエスケープ文字が含まれている場合は、次のように一致させることができます。

>>> a = "She said \"He said, \\\"My name is Mark.\\\"\""
>>> a
'She said "He said, \\"My name is Mark.\\""'
>>> for i in re.findall("(?:\".*?[^\\\\]\"|\S)+", a): print(i)
...
She
said
"He said, \"My name is Mark.\""

これは、パターンの一部""によって空の文字列にも一致することに注意してください\S。

受け入れられたshlexアプローチの主な問題は、引用された部分文字列の外側のエスケープ文字を無視せず、いくつかのまれなケースでわずかに予期しない結果をもたらすことです。

次の使用例があります。単一引用符または二重引用符で囲まれた部分文字列が保持されるように入力文字列を分割する分割関数が必要です。このような部分文字列内で引用符をエスケープする機能があります。引用符で囲まれていない文字列内の引用符は、他の文字と異なる扱いをしないでください。予想される出力を含むテストケースの例：

入力文字列| 期待される出力
===============================================
 'abc def' | ['abc'、 'def']
 "abc \\ s def" | ['abc'、 '\\ s'、 'def']
 '"abc def" ghi' | ['abc def'、 'ghi']
 "'abc def' ghi" | ['abc def'、 'ghi']
 '"abc \\" def "ghi' | ['abc" def'、 'ghi']
 "'abc \\' def 'ghi" | ["abc 'def"、' ghi ']
 "'abc \\ s def' ghi" | ['abc \\ s def'、 'ghi']
 '"abc \\ s def" ghi' | ['abc \\ s def'、 'ghi']
 '""テスト' | [''、 'テスト']
 "''テスト" | [''、 'テスト']
 "abc'def" | ["abc'def"]
 "abc'def '" | ["abc'def '"]
 "abc'def 'ghi" | ["abc'def '"、' ghi ']
 "abc'def'ghi" | ["abc'def'ghi"]
 'abc "def' | ['abc" def']
 'abc "def"' | ['abc "def"']
 'abc "def" ghi' | ['abc "def"'、 'ghi']
 'abc "def" ghi' | ['abc "def" ghi']
 "r'AA 'r'。* _ xyz $ '" | ["r'AA '"、 "r'。* _ xyz $ '"]

すべての入力文字列に対して期待される出力結果が得られるように文字列を分割する次の関数で終わりました。

import re

def quoted_split(s):
    def strip_quotes(s):
        if s and (s[0] == '"' or s[0] == "'") and s[0] == s[-1]:
            return s[1:-1]
        return s
    return [strip_quotes(p).replace('\\"', '"').replace("\\'", "'") \
            for p in re.findall(r'"(?:\\.|[^"])*"|\'(?:\\.|[^\'])*\'|[^\s]+', s)]

次のテストアプリケーションをチェック他のアプローチ（の結果shlexとcsv今のところ）とカスタム分割実装：

#!/bin/python2.7

import csv
import re
import shlex

from timeit import timeit

def test_case(fn, s, expected):
    try:
        if fn(s) == expected:
            print '[ OK ] %s -> %s' % (s, fn(s))
        else:
            print '[FAIL] %s -> %s' % (s, fn(s))
    except Exception as e:
        print '[FAIL] %s -> exception: %s' % (s, e)

def test_case_no_output(fn, s, expected):
    try:
        fn(s)
    except:
        pass

def test_split(fn, test_case_fn=test_case):
    test_case_fn(fn, 'abc def', ['abc', 'def'])
    test_case_fn(fn, "abc \\s def", ['abc', '\\s', 'def'])
    test_case_fn(fn, '"abc def" ghi', ['abc def', 'ghi'])
    test_case_fn(fn, "'abc def' ghi", ['abc def', 'ghi'])
    test_case_fn(fn, '"abc \\" def" ghi', ['abc " def', 'ghi'])
    test_case_fn(fn, "'abc \\' def' ghi", ["abc ' def", 'ghi'])
    test_case_fn(fn, "'abc \\s def' ghi", ['abc \\s def', 'ghi'])
    test_case_fn(fn, '"abc \\s def" ghi', ['abc \\s def', 'ghi'])
    test_case_fn(fn, '"" test', ['', 'test'])
    test_case_fn(fn, "'' test", ['', 'test'])
    test_case_fn(fn, "abc'def", ["abc'def"])
    test_case_fn(fn, "abc'def'", ["abc'def'"])
    test_case_fn(fn, "abc'def' ghi", ["abc'def'", 'ghi'])
    test_case_fn(fn, "abc'def'ghi", ["abc'def'ghi"])
    test_case_fn(fn, 'abc"def', ['abc"def'])
    test_case_fn(fn, 'abc"def"', ['abc"def"'])
    test_case_fn(fn, 'abc"def" ghi', ['abc"def"', 'ghi'])
    test_case_fn(fn, 'abc"def"ghi', ['abc"def"ghi'])
    test_case_fn(fn, "r'AA' r'.*_xyz$'", ["r'AA'", "r'.*_xyz$'"])

def csv_split(s):
    return list(csv.reader([s], delimiter=' '))[0]

def re_split(s):
    def strip_quotes(s):
        if s and (s[0] == '"' or s[0] == "'") and s[0] == s[-1]:
            return s[1:-1]
        return s
    return [strip_quotes(p).replace('\\"', '"').replace("\\'", "'") for p in re.findall(r'"(?:\\.|[^"])*"|\'(?:\\.|[^\'])*\'|[^\s]+', s)]

if __name__ == '__main__':
    print 'shlex\n'
    test_split(shlex.split)
    print

    print 'csv\n'
    test_split(csv_split)
    print

    print 're\n'
    test_split(re_split)
    print

    iterations = 100
    setup = 'from __main__ import test_split, test_case_no_output, csv_split, re_split\nimport shlex, re'
    def benchmark(method, code):
        print '%s: %.3fms per iteration' % (method, (1000 * timeit(code, setup=setup, number=iterations) / iterations))
    benchmark('shlex', 'test_split(shlex.split, test_case_no_output)')
    benchmark('csv', 'test_split(csv_split, test_case_no_output)')
    benchmark('re', 'test_split(re_split, test_case_no_output)')

出力：

shlex

[OK] abc def-> ['abc'、 'def']
[FAIL] abc \ s def-> ['abc'、 's'、 'def']
[OK] "abc def" ghi-> ['abc def'、 'ghi']
[OK] 'abc def' ghi-> ['abc def'、 'ghi']
[OK] "abc \" def "ghi-> ['abc" def'、 'ghi']
[FAIL] 'abc \' def 'ghi->例外：終了の引用なし
[OK] 'abc \ s def' ghi-> ['abc \\ s def'、 'ghi']
[OK] "abc \ s def" ghi-> ['abc \\ s def'、 'ghi']
[OK] "" test-> [''、 'test']
[OK] '' test-> [''、 'test']
[FAIL] abc'def->例外：終了の引用なし
[FAIL] abc'def '-> [' abcdef ']
[FAIL] abc'def 'ghi-> [' abcdef '、' ghi ']
[FAIL] abc'def'ghi-> ['abcdefghi']
[FAIL] abc "def->例外：終了の引用なし
[FAIL] abc "def"-> ['abcdef']
[FAIL] abc "def" ghi-> ['abcdef'、 'ghi']
[FAIL] abc "def" ghi-> ['abcdefghi']
[FAIL] r'AA 'r'。* _ xyz $ '-> [' rAA '、' r。* _ xyz $ ']

csv

[OK] abc def-> ['abc'、 'def']
[OK] abc \ s def-> ['abc'、 '\\ s'、 'def']
[OK] "abc def" ghi-> ['abc def'、 'ghi']
[FAIL] 'abc def' ghi-> ["'abc"、 "def'"、 'ghi']
[FAIL] "abc \" def "ghi-> ['abc \\'、 'def"'、 'ghi']
[FAIL] 'abc \' def 'ghi-> ["' abc"、 "\\ '"、 "def'"、 'ghi']
[FAIL] 'abc \ s def' ghi-> ["'abc"、' \\ s '、 "def'"、 'ghi']
[OK] "abc \ s def" ghi-> ['abc \\ s def'、 'ghi']
[OK] "" test-> [''、 'test']
[FAIL] ''テスト-> ["''"、 'テスト']
[OK] abc'def-> ["abc'def"]
[OK] abc'def '-> ["abc'def'"]
[OK] abc'def 'ghi-> ["abc'def'"、 'ghi']
[OK] abc'def'ghi-> ["abc'def'ghi"]
[OK] abc "def-> ['abc" def']
[OK] abc "def"-> ['abc "def"']
[OK] abc "def" ghi-> ['abc "def"'、 'ghi']
[OK] abc "def" ghi-> ['abc "def" ghi']
[OK] r'AA 'r'。* _ xyz $ '-> ["r'AA'"、 "r '。* _ xyz $'"]

再

[OK] abc def-> ['abc'、 'def']
[OK] abc \ s def-> ['abc'、 '\\ s'、 'def']
[OK] "abc def" ghi-> ['abc def'、 'ghi']
[OK] 'abc def' ghi-> ['abc def'、 'ghi']
[OK] "abc \" def "ghi-> ['abc" def'、 'ghi']
[OK] 'abc \' def 'ghi-> ["abc' def"、 'ghi']
[OK] 'abc \ s def' ghi-> ['abc \\ s def'、 'ghi']
[OK] "abc \ s def" ghi-> ['abc \\ s def'、 'ghi']
[OK] "" test-> [''、 'test']
[OK] '' test-> [''、 'test']
[OK] abc'def-> ["abc'def"]
[OK] abc'def '-> ["abc'def'"]
[OK] abc'def 'ghi-> ["abc'def'"、 'ghi']
[OK] abc'def'ghi-> ["abc'def'ghi"]
[OK] abc "def-> ['abc" def']
[OK] abc "def"-> ['abc "def"']
[OK] abc "def" ghi-> ['abc "def"'、 'ghi']
[OK] abc "def" ghi-> ['abc "def" ghi']
[OK] r'AA 'r'。* _ xyz $ '-> ["r'AA'"、 "r '。* _ xyz $'"]

shlex：反復あたり0.281ms
csv：反復あたり0.030ms
再：0.049ms /反復

したがって、パフォーマンスはよりもはるかに優れておりshlex、正規表現をプリコンパイルすることでさらに向上させることができますcsv。この場合、このアプローチの方が優れています。

引用符を保持するには、次の関数を使用します：

def getArgs(s):
    args = []
    cur = ''
    inQuotes = 0
    for char in s.strip():
        if char == ' ' and not inQuotes:
            args.append(cur)
            cur = ''
        elif char == '"' and not inQuotes:
            inQuotes = 1
            cur += char
        elif char == '"' and inQuotes:
            inQuotes = 0
            cur += char
        else:
            cur += char
    args.append(cur)
    return args

さまざまな答えのスピードテスト：

import re
import shlex
import csv

line = 'this is "a test"'

%timeit [p for p in re.split("( |\\\".*?\\\"|'.*?')", line) if p.strip()]
100000 loops, best of 3: 5.17 µs per loop

%timeit re.findall(r'[^"\s]\S*|".+?"', line)
100000 loops, best of 3: 2.88 µs per loop

%timeit list(csv.reader([line], delimiter=" "))
The slowest run took 9.62 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 2.4 µs per loop

%timeit shlex.split(line)
10000 loops, best of 3: 50.2 µs per loop

うーん、「返信」ボタンが見つからないようです...とにかく、この回答はケイトのアプローチに基づいていますが、エスケープされた引用符を含む部分文字列で文字列を正しく分割し、部分文字列の開始引用符と終了引用符も削除します。

  [i.strip('"').strip("'") for i in re.split(r'(\s+|(?<!\\)".*?(?<!\\)"|(?<!\\)\'.*?(?<!\\)\')', string) if i.strip()]

これ'This is " a \\\"test\\\"\\\'s substring"'は（Pythonがエスケープを削除しないようにするために、非常識なマークアップが残念ながら必要な）文字列に対して機能します。

返されたリストの文字列で結果として得られるエスケープが不要な場合は、関数を少し変更した次のバージョンを使用できます。

[i.strip('"').strip("'").decode('string_escape') for i in re.split(r'(\s+|(?<!\\)".*?(?<!\\)"|(?<!\\)\'.*?(?<!\\)\')', string) if i.strip()]

一部のPython 2バージョンでのUnicodeの問題を回避するには、次のことをお勧めします。

from shlex import split as _split
split = lambda a: [b.decode('utf-8') for b in _split(a.encode('utf-8'))]

オプションとしてtssplitを試してください：

In [1]: from tssplit import tssplit
In [2]: tssplit('this is "a test"', quote='"', delimiter='')
Out[2]: ['this', 'is', 'a test']

私は提案します：

テスト文字列：

s = 'abc "ad" \'fg\' "kk\'rdt\'" zzz"34"zzz "" \'\''

「」と「」もキャプチャするには：

import re
re.findall(r'"[^"]*"|\'[^\']*\'|[^"\'\s]+',s)

結果：

['abc', '"ad"', "'fg'", '"kk\'rdt\'"', 'zzz', '"34"', 'zzz', '""', "''"]

空の ""と ''を無視するには：

import re
re.findall(r'"[^"]+"|\'[^\']+\'|[^"\'\s]+',s)

結果：

['abc', '"ad"', "'fg'", '"kk\'rdt\'"', 'zzz', '"34"', 'zzz']

単純な文字列よりも部分文字列を気にしない場合

>>> 'a short sized string with spaces '.split()

パフォーマンス：

>>> s = " ('a short sized string with spaces '*100).split() "
>>> t = timeit.Timer(stmt=s)
>>> print "%.2f usec/pass" % (1000000 * t.timeit(number=100000)/100000)
171.39 usec/pass

または文字列モジュール

>>> from string import split as stringsplit; 
>>> stringsplit('a short sized string with spaces '*100)

パフォーマンス：文字列モジュールは文字列メソッドよりもパフォーマンスが良いようです

>>> s = "stringsplit('a short sized string with spaces '*100)"
>>> t = timeit.Timer(s, "from string import split as stringsplit")
>>> print "%.2f usec/pass" % (1000000 * t.timeit(number=100000)/100000)
154.88 usec/pass

または、REエンジンを使用できます

>>> from re import split as resplit
>>> regex = '\s+'
>>> medstring = 'a short sized string with spaces '*100
>>> resplit(regex, medstring)

パフォーマンス

>>> s = "resplit(regex, medstring)"
>>> t = timeit.Timer(s, "from re import split as resplit; regex='\s+'; medstring='a short sized string with spaces '*100")
>>> print "%.2f usec/pass" % (1000000 * t.timeit(number=100000)/100000)
540.21 usec/pass

非常に長い文字列の場合、文字列全体をメモリに読み込まず、行を分割するか、反復ループを使用する必要があります

これを試して：

  def adamsplit(s):
    result = []
    inquotes = False
    for substring in s.split('"'):
      if not inquotes:
        result.extend(substring.split())
      else:
        result.append(substring)
      inquotes = not inquotes
    return result

いくつかのテスト文字列：

'This is "a test"' -> ['This', 'is', 'a test']
'"This is \'a test\'"' -> ["This is 'a test'"]