Python中是否有`string.split()`的生成器版本？

Question

string.split() 返回一个 list 实例。有没有返回generator 的版本？有没有理由反对使用生成器版本？

Answer 1

re.finditer 很可能使用相当少的内存开销。

def split_iter(string):
    return (x.group(0) for x in re.finditer(r"[A-Za-z']+", string))

演示：

>>> list( split_iter("A programmer's RegEx test.") )
['A', "programmer's", 'RegEx', 'test']

编辑：我刚刚确认这在 python 3.2.1 中占用了常量内存，假设我的测试方法是正确的。我创建了一个非常大的字符串（1GB 左右），然后使用 for 循环遍历可迭代对象（不是列表理解，这会产生额外的内存）。这并没有导致显着的内存增长（也就是说，如果内存有增长，则远远小于 1GB 字符串）。

更通用的版本：

在回复评论“我看不到与str.split的连接”时，这里有一个更通用的版本：

def splitStr(string, sep="\s+"):
    # warning: does not yet work if sep is a lookahead like `(?=b)`
    if sep=='':
        return (c for c in string)
    else:
        return (_.group(1) for _ in re.finditer(f'(?:^|{sep})((?:(?!{sep}).)*)', string))

    # alternatively, more verbosely:
    regex = f'(?:^|{sep})((?:(?!{sep}).)*)'
    for match in re.finditer(regex, string):
        fragment = match.group(1)
        yield fragment

这个想法是((?!pat).)*'否定'一个组，确保它贪婪地匹配直到模式开始匹配（前瞻不消耗正则表达式有限状态机中的字符串）。在伪代码中：重复消费 (begin-of-string xor {sep}) + as much as possible until we would be able to begin again (or hit end of string)

演示：

>>> splitStr('.......A...b...c....', sep='...')
<generator object splitStr.<locals>.<genexpr> at 0x7fe8530fb5e8>

>>> list(splitStr('A,b,c.', sep=','))
['A', 'b', 'c.']

>>> list(splitStr(',,A,b,c.,', sep=','))
['', '', 'A', 'b', 'c.', '']

>>> list(splitStr('.......A...b...c....', '\.\.\.'))
['', '', '.A', 'b', 'c', '.']

>>> list(splitStr('   A  b  c. '))
['', 'A', 'b', 'c.', '']

（应该注意str.split 有一个丑陋的行为：它在特殊情况下将sep=None 作为第一个使用str.strip 来删除前导和尾随空格。上面故意不这样做；请参阅最后一个示例，其中sep="\s+".)

（我在尝试实现此功能时遇到了各种错误（包括内部 re.error）... 负向后视会将您限制为固定长度的定界符，因此我们不使用它。除了上述正则表达式之外，几乎所有东西似乎导致字符串开头和字符串结尾边缘情况的错误（例如，',,,a,,b,c' 上的r'(.*?)($|,)' 返回['', '', '', 'a', '', 'b', 'c', '']，末尾有一个无关的空字符串；可以查看编辑历史另一个看似正确的正则表达式，实际上有细微的错误。）

（如果你想自己实现它以获得更高的性能（尽管它们是重量级的，正则表达式最重要的是在 C 中运行），你会编写一些代码（使用 ctypes？不确定如何让生成器使用它？），使用以下固定长度定界符的伪代码：散列长度为 L 的定界符。在使用运行的散列算法扫描字符串时，保持长度为 L 的运行散列，O(1) 更新时间。每当散列可能等于你的定界符时，手动检查过去的几个字符是否是分隔符；如果是，则从上次 yield 开始产生子字符串。字符串开头和结尾的特殊情况。这将是教科书算法的生成器版本，用于执行 O(N) 文本搜索。多处理版本也是可能的。它们可能看起来有点矫枉过正，但问题意味着一个人正在处理非常大的字符串......此时您可能会考虑一些疯狂的事情，例如缓存字节偏移量（如果它们很少的话），或者使用一些磁盘从磁盘工作-支持的字节串视图对象，bu需要更多的内存等）

Answer 2

我能想到的最有效的方法是使用str.find() 方法的offset 参数编写一个。这样可以避免大量内存使用，并在不需要时依赖正则表达式的开销。

[编辑 2016-8-2：更新此选项以支持正则表达式分隔符]

def isplit(source, sep=None, regex=False):
    """
    generator version of str.split()

    :param source:
        source string (unicode or bytes)

    :param sep:
        separator to split on.

    :param regex:
        if True, will treat sep as regular expression.

    :returns:
        generator yielding elements of string.
    """
    if sep is None:
        # mimic default python behavior
        source = source.strip()
        sep = "\\s+"
        if isinstance(source, bytes):
            sep = sep.encode("ascii")
        regex = True
    if regex:
        # version using re.finditer()
        if not hasattr(sep, "finditer"):
            sep = re.compile(sep)
        start = 0
        for m in sep.finditer(source):
            idx = m.start()
            assert idx >= start
            yield source[start:idx]
            start = m.end()
        yield source[start:]
    else:
        # version using str.find(), less overhead than re.finditer()
        sepsize = len(sep)
        start = 0
        while True:
            idx = source.find(sep, start)
            if idx == -1:
                yield source[start:]
                return
            yield source[start:idx]
            start = idx + sepsize

这可以随心所欲地使用...

>>> print list(isplit("abcb","b"))
['a','c','']

虽然每次执行 find() 或切片时都会在字符串中寻找一点成本，但这应该是最小的，因为字符串在内存中表示为连续数组。

Answer 3

对提出的各种方法进行了一些性能测试（我不会在这里重复）。一些结果：

• str.split（默认 = 0.3461570239996945
• 手动搜索（按字符）（Dave Webb 的答案之一）= 0.8260340550004912
• re.finditer（忍者的回答）= 0.698872097000276
• str.find（Eli Collins 的答案之一）= 0.7230395330007013
• itertools.takewhile（伊格纳西奥·巴斯克斯-艾布拉姆斯的回答）= 2.023023967998597
• str.split(..., maxsplit=1) 递归 = N/A†

†鉴于string.splits 的速度，递归答案（string.split 和 maxsplit = 1）无法在合理的时间内完成，它们在较短的字符串上可能效果更好，但是我看不到使用- 短字符串的情况，无论如何内存都不是问题。

使用timeit 测试：

the_text = "100 " * 9999 + "100"

def test_function( method ):
    def fn( ):
        total = 0

        for x in method( the_text ):
            total += int( x )

        return total

    return fn

这引发了另一个问题，即为什么 string.split 尽管占用了内存却要快得多。

Answer 4

这是通过re.search() 实现的split() 的生成器版本，不存在分配过多子字符串的问题。

import re

def itersplit(s, sep=None):
    exp = re.compile(r'\s+' if sep is None else re.escape(sep))
    pos = 0
    while True:
        m = exp.search(s, pos)
        if not m:
            if pos < len(s) or sep is not None:
                yield s[pos:]
            break
        if pos < m.start() or sep is not None:
            yield s[pos:m.start()]
        pos = m.end()


sample1 = "Good evening, world!"
sample2 = " Good evening, world! "
sample3 = "brackets][all][][over][here"
sample4 = "][brackets][all][][over][here]["

assert list(itersplit(sample1)) == sample1.split()
assert list(itersplit(sample2)) == sample2.split()
assert list(itersplit(sample3, '][')) == sample3.split('][')
assert list(itersplit(sample4, '][')) == sample4.split('][')

编辑：如果没有给出分隔符，则更正对周围空格的处理。

Answer 5

这是我的实现，它比这里的其他答案更快、更完整。对于不同的情况，它有 4 个独立的子功能。

我将复制主 str_split 函数的文档字符串：

---

str_split(s, *delims, empty=None)

将字符串 s 拆分为其余参数，可能会省略 空部分（empty 关键字参数负责）。 这是一个生成器函数。

当只提供一个分隔符时，字符串被它简单地分割。 empty 默认为 True。

str_split('[]aaa[][]bb[c', '[]')
    -> '', 'aaa', '', 'bb[c'
str_split('[]aaa[][]bb[c', '[]', empty=False)
    -> 'aaa', 'bb[c'

当提供多个分隔符时，字符串被最长分割 默认情况下，这些分隔符的可能序列，或者，如果 empty 设置为 True，分隔符之间的空字符串也包括在内。注意 这种情况下的分隔符只能是单个字符。

str_split('aaa, bb : c;', ' ', ',', ':', ';')
    -> 'aaa', 'bb', 'c'
str_split('aaa, bb : c;', *' ,:;', empty=True)
    -> 'aaa', '', 'bb', '', '', 'c', ''

不提供分隔符时，使用string.whitespace，所以效果 和str.split()一样，只是这个函数是一个生成器。

str_split('aaa\\t  bb c \\n')
    -> 'aaa', 'bb', 'c'

---

import string

def _str_split_chars(s, delims):
    "Split the string `s` by characters contained in `delims`, including the \
    empty parts between two consecutive delimiters"
    start = 0
    for i, c in enumerate(s):
        if c in delims:
            yield s[start:i]
            start = i+1
    yield s[start:]

def _str_split_chars_ne(s, delims):
    "Split the string `s` by longest possible sequences of characters \
    contained in `delims`"
    start = 0
    in_s = False
    for i, c in enumerate(s):
        if c in delims:
            if in_s:
                yield s[start:i]
                in_s = False
        else:
            if not in_s:
                in_s = True
                start = i
    if in_s:
        yield s[start:]


def _str_split_word(s, delim):
    "Split the string `s` by the string `delim`"
    dlen = len(delim)
    start = 0
    try:
        while True:
            i = s.index(delim, start)
            yield s[start:i]
            start = i+dlen
    except ValueError:
        pass
    yield s[start:]

def _str_split_word_ne(s, delim):
    "Split the string `s` by the string `delim`, not including empty parts \
    between two consecutive delimiters"
    dlen = len(delim)
    start = 0
    try:
        while True:
            i = s.index(delim, start)
            if start!=i:
                yield s[start:i]
            start = i+dlen
    except ValueError:
        pass
    if start<len(s):
        yield s[start:]


def str_split(s, *delims, empty=None):
    """\
Split the string `s` by the rest of the arguments, possibly omitting
empty parts (`empty` keyword argument is responsible for that).
This is a generator function.

When only one delimiter is supplied, the string is simply split by it.
`empty` is then `True` by default.
    str_split('[]aaa[][]bb[c', '[]')
        -> '', 'aaa', '', 'bb[c'
    str_split('[]aaa[][]bb[c', '[]', empty=False)
        -> 'aaa', 'bb[c'

When multiple delimiters are supplied, the string is split by longest
possible sequences of those delimiters by default, or, if `empty` is set to
`True`, empty strings between the delimiters are also included. Note that
the delimiters in this case may only be single characters.
    str_split('aaa, bb : c;', ' ', ',', ':', ';')
        -> 'aaa', 'bb', 'c'
    str_split('aaa, bb : c;', *' ,:;', empty=True)
        -> 'aaa', '', 'bb', '', '', 'c', ''

When no delimiters are supplied, `string.whitespace` is used, so the effect
is the same as `str.split()`, except this function is a generator.
    str_split('aaa\\t  bb c \\n')
        -> 'aaa', 'bb', 'c'
"""
    if len(delims)==1:
        f = _str_split_word if empty is None or empty else _str_split_word_ne
        return f(s, delims[0])
    if len(delims)==0:
        delims = string.whitespace
    delims = set(delims) if len(delims)>=4 else ''.join(delims)
    if any(len(d)>1 for d in delims):
        raise ValueError("Only 1-character multiple delimiters are supported")
    f = _str_split_chars if empty else _str_split_chars_ne
    return f(s, delims)

这个函数在 Python 3 中工作，并且可以应用一个简单但相当难看的修复来使其在 2 和 3 版本中都工作。函数的第一行应改为：

def str_split(s, *delims, **kwargs):
    """...docstring..."""
    empty = kwargs.get('empty')

Answer 6

不，但使用itertools.takewhile() 编写一个应该很容易。

编辑：

非常简单、半途而废的实现：

import itertools
import string

def isplitwords(s):
  i = iter(s)
  while True:
    r = []
    for c in itertools.takewhile(lambda x: not x in string.whitespace, i):
      r.append(c)
    else:
      if r:
        yield ''.join(r)
        continue
      else:
        raise StopIteration()

Answer 7

我看不出split() 的生成器版本有什么明显的好处。生成器对象将必须包含要迭代的整个字符串，因此您不会通过生成器来节省任何内存。

如果你想写一个，那将相当容易：

import string

def gsplit(s,sep=string.whitespace):
    word = []

    for c in s:
        if c in sep:
            if word:
                yield "".join(word)
                word = []
        else:
            word.append(c)

    if word:
        yield "".join(word)

Answer 8

我写了一个版本的@ninjagecko 的答案，它的行为更像 string.split（即默认情况下空格分隔，您可以指定分隔符）。

def isplit(string, delimiter = None):
    """Like string.split but returns an iterator (lazy)

    Multiple character delimters are not handled.
    """

    if delimiter is None:
        # Whitespace delimited by default
        delim = r"\s"

    elif len(delimiter) != 1:
        raise ValueError("Can only handle single character delimiters",
                        delimiter)

    else:
        # Escape, incase it's "\", "*" etc.
        delim = re.escape(delimiter)

    return (x.group(0) for x in re.finditer(r"[^{}]+".format(delim), string))

这是我使用的测试（在 python 3 和 python 2 中）：

# Wrapper to make it a list
def helper(*args,  **kwargs):
    return list(isplit(*args, **kwargs))

# Normal delimiters
assert helper("1,2,3", ",") == ["1", "2", "3"]
assert helper("1;2;3,", ";") == ["1", "2", "3,"]
assert helper("1;2 ;3,  ", ";") == ["1", "2 ", "3,  "]

# Whitespace
assert helper("1 2 3") == ["1", "2", "3"]
assert helper("1\t2\t3") == ["1", "2", "3"]
assert helper("1\t2 \t3") == ["1", "2", "3"]
assert helper("1\n2\n3") == ["1", "2", "3"]

# Surrounding whitespace dropped
assert helper(" 1 2  3  ") == ["1", "2", "3"]

# Regex special characters
assert helper(r"1\2\3", "\\") == ["1", "2", "3"]
assert helper(r"1*2*3", "*") == ["1", "2", "3"]

# No multi-char delimiters allowed
try:
    helper(r"1,.2,.3", ",.")
    assert False
except ValueError:
    pass

python 的正则表达式模块说它 does "the right thing" 用于 unicode 空白，但我还没有实际测试过。

也可作为gist 使用。

Answer 9

如果您还希望能够读取一个迭代器（以及返回一个），试试这个：

import itertools as it

def iter_split(string, sep=None):
    sep = sep or ' '
    groups = it.groupby(string, lambda s: s != sep)
    return (''.join(g) for k, g in groups if k)

用法

>>> list(iter_split(iter("Good evening, world!")))
['Good', 'evening,', 'world!']

Answer 10

more_itertools.split_at 为迭代器提供了 str.split 的类似物。

>>> import more_itertools as mit


>>> list(mit.split_at("abcdcba", lambda x: x == "b"))
[['a'], ['c', 'd', 'c'], ['a']]

>>> "abcdcba".split("b")
['a', 'cdc', 'a']

more_itertools 是第三方包。

Answer 11

我想展示如何使用 find_iter 解决方案为给定的分隔符返回生成器，然后使用 itertools 中的成对配方来构建先前的下一个迭代，该迭代将像原始拆分方法一样获得实际单词。

---

from more_itertools import pairwise
import re

string = "dasdha hasud hasuid hsuia dhsuai dhasiu dhaui d"
delimiter = " "
# split according to the given delimiter including segments beginning at the beginning and ending at the end
for prev, curr in pairwise(re.finditer("^|[{0}]+|$".format(delimiter), string)):
    print(string[prev.end(): curr.start()])

---

注意：

1. 我使用 prev & curr 而不是 prev & next 因为在 python 中覆盖 next 是一个非常糟糕的主意
2. 这个效率很高

Answer 12

最笨的方法，没有正则表达式/itertools：

def isplit(text, split='\n'):
    while text != '':
        end = text.find(split)

        if end == -1:
            yield text
            text = ''
        else:
            yield text[:end]
            text = text[end + 1:]

Answer 13

非常老的问题，但这是我对高效算法的谦虚贡献：

def str_split(text: str, separator: str) -> Iterable[str]:
    i = 0
    n = len(text)
    while i <= n:
        j = text.find(separator, i)
        if j == -1:
            j = n
        yield text[i:j]
        i = j + 1

Answer 14

def split_generator(f,s):
    """
    f is a string, s is the substring we split on.
    This produces a generator rather than a possibly
    memory intensive list. 
    """
    i=0
    j=0
    while j<len(f):
        if i>=len(f):
            yield f[j:]
            j=i
        elif f[i] != s:
            i=i+1
        else:
            yield [f[j:i]]
            j=i+1
            i=i+1

Answer 15

这是一个简单的回应

def gen_str(some_string, sep):
    j=0
    guard = len(some_string)-1
    for i,s in enumerate(some_string):
        if s == sep:
           yield some_string[j:i]
           j=i+1
        elif i!=guard:
           continue
        else:
           yield some_string[j:]

Answer 16

def isplit(text, sep=None, maxsplit=-1):
    if not isinstance(text, (str, bytes)):
        raise TypeError(f"requires 'str' or 'bytes' but received a '{type(text).__name__}'")
    if sep in ('', b''):
        raise ValueError('empty separator')

    if maxsplit == 0 or not text:
        yield text
        return

    regex = (
        re.escape(sep) if sep is not None
        else [br'\s+', r'\s+'][isinstance(text, str)]
    )
    yield from re.split(regex, text, maxsplit=max(0, maxsplit))

Answer 17

这是一个基于 split 和 maxsplit 的答案。这不使用递归。

def gsplit(todo):
    chunk= 100
    while todo:
        splits = todo.split(maxsplit=chunk)
        if len(splits) == chunk:
            todo = splits.pop()
        else:
            todo=None
        for item in splits:
            yield item