Post on 07-Apr-2016
11/12 de Maio de 2004 Caracteres e cadeias 1
Caracteres e Cadeias (“Strings”)
Pedro BarahonaDI/FCT/UNL
Maio 2004
11/12 de Maio de 2004
Caracteres e cadeias 2
Processamento de Texto• Muita informação útil, nomeadamente em tarefas de gestão,
não é do tipo numérico.• Por exemplo, variadas entidades (pessoas, empresas,
disciplinas, departamentos, etc...) têm associado um nome que se pode querer processar (por exemplo ordenar).
• Este é apenas um exemplo de situações em que se pretende que os programas efectuem processamento de texto.
• Todas as linguagens de programação prevêem pois tipos de dados para este fim, nomeadamente
– Caracteres;– Cadeias de caracteres (“strings”).
11/12 de Maio de 2004
Caracteres e cadeias 3
Caracteres• Os caracteres mais utilizados (representados no código
ASCII - American Standard Code for Information Interchange) incluem• Letras (52), maiúsculas (26) e minúsculas (26)• Dígitos (10)• Espaço e outros caracteres “visíveis” (34)
– ‘ “ ( ) [ ] { } , . : ; = < > + - * \ | / ^ ~ ´ ` # $ % & _ ! ? @• Caracteres de controle (32)
– horizontal tab (\t), new line (\n), alert (\a), ...• Outros caracteres, (ç, ã, ñ, š , ø , ∞, , Σ, ш, غغ ,לא, ך ) só
podem ser representados em códigos mais avançados e não são “suportados” em algumas linguagens de programação (em Octave, uma variável não pode ter o nome “acção”)
11/12 de Maio de 2004
Caracteres e cadeias 4
Cadeias de Caracteres• Cadeias de caracteres são sequências (ordenadas) de
caracteres.• Em quase todas as linguagens, dados do tipo caracteres e
cadeia (incluindo simples caracteres) são representados entre delimitadores, que podem ser aspas (“ ”) ou plicas (‘ ’).
• Devem sempre abrir-se e fechar-se com o mesmo tipo de delimitadores.
• Quando se pretende incluir um dos delimitadores no texto, podem usar-se sequências de escape– nome = ‘ Maria Martins d\’Albuquerque’
• ou usar-se o outro delimitador – nome = “ Maria Martins d’Albuquerque”– frase = ‘Ele exclamou: “Óptimo” e fugiu’
11/12 de Maio de 2004
Caracteres e cadeias 5
Cadeias de Caracteres e Vectores• Em geral, e Octave não foge à regra, cadeias de caracteres são
“implementadas” como vectores dos códigos dos caracteres.• Muitas funções e operações em Octave exigem a utilização do
tipo correcto. Duas funções permitem transformar– Vectores em cadeias : toascii: <cadeia> <vector>
>> a = toascii(“ABC”) a = [65,66,67] – Cadeias em vectores : setstr: <vector> <cadeia>
>> b = setstr([97,98,99]) b = ‘abc’
• O Octave não é muito estrito no que se refere aos tipos de dados. Por exemplo, permite operações “numéricas” com cadeias, fazendo a conversão de tipos necessária
>> c = ‘abc’* 1 c = [97,98,99]• Nota: Estas “facilidades” tornam difícil a detecção de erros de programação e
não devem ser usadas (ou apenas com muito cuidado)
11/12 de Maio de 2004
Caracteres e cadeias 6
Conversão de Cadeias de Caracteres• Cadeias de caracteres podem ser processados de várias formas.
Para as mais comuns, existem funções pré-definidas.• Algumas dessas funções permitem converter cadeias de
caracteres que representam números para os próprios números.• Exemplo: Dada a cadeia “ 23.76 ” (com espaços), a sua
conversão para um número é obtida com a função str2num.>> s = “ 23.76 “; a = str2num(s); b = 2*a
b = 47.52
• É interessante comparar o resultado acima com (porquê???)>> s = “ 23.76 “; b = 2*s
s = [64,100,102,92,110,108,64,64]
• A conversão oposta, pode fazer-se com a função num2str.
11/12 de Maio de 2004
Caracteres e cadeias 7
Concatenação de Cadeias de Caracteres• As cadeias podem ser concatenadas. Esta operação é utilizada
para juntar numa só cadeia a informação que está dispersa por várias cadeias. Por exemplo, para juntar
– O(s) nome(s) próprio(s) ao(s) apelido(s)– Os vários campos de um enedereço (rua, nº, andar, local, etc.)
• O Octave tem uma função strcat, para esse efeito.• Exemplo: Juntar um nome próprio e um apelido.>> np = “Rui”; ap = “Lopes”; nome= strcat(np,“ ”,ap)
nome = “Rui Lopes”
• De notar a utilização da cadeia com um branco (“ ”) para espaçar o nome próprio e o apelido.
11/12 de Maio de 2004
Caracteres e cadeias 8
Partição de Cadeias de Caracteres• As cadeias podem ser “partidas” noutras mais simples. Neste
caso pode haver várias formas de fazer a partição. Uma possível é através de caracteres que funcionam como separadores (tipicamente espaços).
• O Octave tem uma função, split, para esse efeito, criando uma matriz de cadeias, cada cadeia na sua linha, com brancos acrescentados se necessário
• Exemplo: Separar os nomes (próprios e apelidos) de uma pessoa.>> nome = “Rui da Costa Pina”; nms = split(nome,“ ”)
nms = “Rui ” “da ” “Costa” “Pina ”
11/12 de Maio de 2004
Caracteres e cadeias 9
Extracção de Cadeias de Caracteres• Por vezes estamos interessados apenas em partes de uma cadeia.
Uma forma comum de o fazer é indicar – o índice do primeiro caracter pretendido para a subcadeia; e – o comprimento da subcadeia.
• O Octave tem uma função, substr, para esse efeito. Por exemplo: Separar os nomes (próprios e apelidos) de uma pessoa.>> nome = “Rui da Costa Pina”;
nm1 = substr(nome,1,3), nm2 = substr(nome,5,2), nm3 = substr(nome,8,5), nm4 = substr(nome,14,4), nm1= “Rui”, nm2= “da”, nm3= “Costa”, nm4= “Pina”
• Os índices variam de 1 ao comprimento da cadeia. Este comprimento é obtido pela função length.>> nome = “Rui da Costa Pina”; x = length(nome) x= 17
11/12 de Maio de 2004
Caracteres e cadeias 10
Comparação de Caracteres• Uma operação vulgar no processamento de texto é a ordenação
“por ordem alfabética”. • Esta ordenação requer a comparação “alfabética” de caracteres. • Esta pode ser feita através da comparação “numérica” dos
códigos dos caracteres. • A comparação só é fácil se os códigos usados respeitam a ordem
alfabética, o que acontece em todos os códigos. Por exemplo em ASCII, o código dos caracteres “A” e “B” é, respectivamente, 65 e 66, pelo que se pode fazer a correspondência pretendida
o caracter c1 “vem antes do” caracter c2 c1 < c2• Exemplo: >> teste = “a” < “b” teste = 1
11/12 de Maio de 2004
Caracteres e cadeias 11
Comparação de Cadeias de Caracteres• A comparação “literal” pode ser obtida a partir da comparação
caracter a caracter. • O Octave tem uma função, strcmp, para verificar se duas
cadeias são idênticas. >> nm1 = “Rui Costa”; nm2 = “Rui Costa”; t = strcmp(nm1,nm2) t = 1
• Para o teste de precedência alfabética (designado por “<<“) o Octave não dispõe de funções predefinidas. Mas elas podem ser definidas tendo em conta a comparação caracter a caracter.
• Vamos pois definir uma função my_before da seguinte forma
my_str_before (s1,s2) = 1 se s1 << s2 0 se s1 = s2 -1 se s1 >> s2
11/12 de Maio de 2004
Caracteres e cadeias 12
Comparação de Cadeias de Caracteres
function t = my_str_tail(s) c = length(s); if c == 1 t =""; else t = substr(s,2,c-1); endif;endfunction;
• Dada a natureza recursiva da função my_before, esta utiliza uma função auxiliar, my_tail, para obter a “cauda da cadeia (isto é, sem o seu primeiro caracter).
• A função my_before compara os primeiros caracteres das cadeias (se existirem). Se estes forem iguais, compara as caudas das cadeias (chamada recursiva).
11/12 de Maio de 2004
Caracteres e cadeias 13
Comparação de Cadeias de Caracteresfunction b = my_str_before(s1,s2) c1 = length(s1); c2 = length(s2); if c1 == 0 & c2 == 0 b = 0; elseif c1 == 0 & c2 > 0 b = 1; elseif c1 > 0 & c2 == 0 b = -1; else % c1 > 0 & c2 > 0 if s1(1) < s2(1) b = 1; elseif s1(1) > s2(1) b = -1; else t1 = my_str_tail(s1); t2 = my_str_tail(s2); b = my_str_before(t1,t2); endif; endif;endfunction;
11/12 de Maio de 2004
Caracteres e cadeias 14
Comparação de Cadeias de Caracteres• A comparação de cadeias de caracteres “interpretáveis” (por
exemplo, de texto em português) é mais complexa.• Os problemas mais frequentes são de 3 tipos:
– Ocorrência de espaços (e outros caracteres brancos)• “Rui Santos” = “ Rui Santos “ ???
– Tratamento de letras maiúsculas e minúsculas• “Rui Santos” = “RUI SANTOS “ ???
– Caracteres especiais (com acentos e cedilhas)• “João França” = “Joao Franca“ ???
• Estes problemas têm de ser considerados no contexto apropriado (Franca e França são apelidos diferentes, ou o terminal (telemóvel) não tinha o caracter “ç” ?), e requerem algoritmos dedicados.
11/12 de Maio de 2004
Caracteres e cadeias 15
Comparação de Cadeias com Brancos• Os caracteres brancos servem para separar os “significativos”.
Os mais vulgares são os espaços, mas existem outros para mudança de linha (“\n”, “\r” ou “\f”), ou tabulação (“\t” e “\v”).
• No código ASCII todos têm códigos inferiores a 32 (espaço).• A comparação de cadeias pode simplificar-se se a comparação
fôr feita após normalização. Esta normalização, consiste em – eliminar todos os brancos prefixos/sufixos, i.e. antes/depois
do primeiro/último caracter significativo. – Substituir todos os separadores (grupos de brancos, tabs,
mudanças de linha, etc. por um só branco).• Algumas funções pre-definidas podem auxiliar na normalização,
mas o Octave não tem esta função predefinida.
11/12 de Maio de 2004
Caracteres e cadeias 16
Substituição de Brancos por Espaços• Assumindo que todos os caracteres brancos têm código inferior a
32, podemos utilizar a função my_str_remctr, indicada abaixo, para substituir todos os caracteres brancos por espaços.
function t = my_str_remctr(s) for i = 1:length(s) if toascii(s(i)) < 32 t(i) = " "; else t(i) = s(i); endif; endfor;endfunction;
11/12 de Maio de 2004
Caracteres e cadeias 17
Eliminação de Brancos Prefixos e Sufixos • O Octave dispõe de uma função (deblank) que elimina todos os
espaços sufixos. • A eliminação dos brancos prefixos pode igualmente usar essa
função se se inverter (passá-la de trás para a frente) a cadeia. Essa inversão pode usar a função my_str_rev, indicada abaixo
function r = my_str_rev(s) c = length(s); for i = 1:c r(i) = s(c-i+1); endforendfunction;
11/12 de Maio de 2004
Caracteres e cadeias 18
Eliminação de Espaços Repetidos • A eliminação dos espaços repetidos pode ser feita usando a
função my_str_remrep, indicada abaixo. A função percorre toda a cadeia mantendo a informação (na variável booleana ultimo_branco) sobre se o último caracter era branco. Nesse caso, se o caracter fôr espaço não o copia (seria repetido).function t = my_remrep(s) j = 1; ultimo_branco = 0; for i = 1:length(s) if s(i) != " " t(j) = s(i); j = j+1; ultimo_branco = 0; elseif !ultimo_branco t(j) = s(i); j = j+1; ultimo_branco = 1; endif; endfor;endfunction;
11/12 de Maio de 2004
Caracteres e cadeias 19
Normalização de Cadeias de Caracteres • A normalização de cadeias de caracteres pode ser feita usando a
função my_str_norm, indicada abaixo, que utiliza todas as funções anteriores, da forma esperada.
• Primeiro, substitui os brancos por espaços. Depois elimina os espaços sufixos. Em terceiro lugar elimina os brancos prefixos (eliminando os brancos sufixos da cadeia invertida, invertendo de novo o resultado). Finalmente, os espaços repetidos são removidos.
function sn = my_str_norm(s) s1 = my_str_remctr(s) s2 = deblank(s1); s3 = my_str_rev(deblank(my_str_rev(s2))); sn = my_str_remrep(s3);endfunction;
11/12 de Maio de 2004
Caracteres e cadeias 20
Comparação de Cadeias com Brancos
function b = my_str_norm_before(s1,s2) sn1 = my_str_norm(s1); sn2 = my_str_norm(s2); b = my_str_before(sn1,sn2);endfunction;
• A comparação de cadeias de caracteres pode ser feita usando a função my_str_norm_before, indicada abaixo, que não considera os caracteres brancos.
• As diferenças podem ser exemplificadas em baixo.>> t = my_str_before(“Rui Lopes”, “ Rui Lopes”) t = -1>> t = my_str_norm_before(“Rui Lopes”, “ Rui Lopes”) t = 0
11/12 de Maio de 2004
Caracteres e cadeias 21
Comparação com Maiúsculas/Minúsculas• A comparação de cadeias de caracteres pode ser igualmente
prejudicada pela existência de letras maiúsculas e minúsculas.• O Octave tem algumas funções que facilitam o tratamento deste
tipo de situações, nomeadamente as funções tolower e toupper, que convertem os caracteres maiúsculos / minúsculos em caracteres minúsculos / maiúsculos.>> s1 = “\n Rui \t Lopes”; s2 = “RUI lopes”;
sn1 = toupper(s1), sn2 = toupper(s2), t1 = my_str_norm_before(s1,s2), t2 = my_str_norm_before(sn1,sn2) sn1 = “\n RUI \t LOPES”
sn2 = “RUI LOPES” t1 = -1 t2 = 0
11/12 de Maio de 2004
Caracteres e cadeias 22
Conversão entre Maiúsculas/Minúsculas• As funções anteriores assumem um código ASCII, em que os
caracteres brancos têm códigos abiaxo de 32. • Nesse código ASCII, a conversão entre maiúsculas e minúsculas
pode ser feita adicionando ou subtraindo a sua diferença aos códigos respectivos. Esta diferença é 32, como pode ser verificado em
>> dif = toascii(“A”) – toascii(“a”) dif = -32
• No entanto, a utilização destes valores pode ser problemática, se forem usados outros códigos. É da responsabilidade da implementação da linguagem interpretar ter em atenção os códigos usados (que podem não ser ASCII) e disponibilizar primitivas independentes desses códigos.
11/12 de Maio de 2004
Caracteres e cadeias 23
Conversão independente do Código• Algumas dessas primitivas são
– isalpha(s) 1 se s fôr alfabético (maiúscula ou minúscula)– islower(s) 1 se s fôr uma minúscula– isupper(s) 1 se s fôr uma maiúscula– isdigit(s) 1 se s fôr um dígito– isalnum(s) 1 se s fôr dígito ou alfabético– ispucnt 1 se s fôr um caracter de pontuação– iscntrl(s) 1 se s fôr caracter de controle
• Desta forma as funções poderão ser rectificadas para se tornarem independentes do código usado para representação dos caracteres. Em particular, o teste
toascii(s(i)) < 32 pode/deve ser substituido por
iscntrl(s2)
11/12 de Maio de 2004
Caracteres e cadeias 24
Cadeias com Caracteres Especiais• Os caracteres com cedilhas e acentos, típicos do português, não
fazem parte do código ASCII básico, e os seus códigos em ASCII estendido não respeitam a ordem “natural”.
• Por exemplo, como os códigos dos caracteres “a”, “s” e “ã” são, respectivamente 97, 115 e 227, o nome João está alfabeticamente após José, ao contrário do que acontece com Joao.
• Uma forma de manter a ordenação pretendida é utilizar, para efeitos de ordenação, as cadeias com os caracteres acentuados substituídos pelos caracteres não acentuados.
• O Octave dispõe de uma função (strrep) que substitui numa cadeia base, todas as de uma (sub)cadeia por outra.
>> s1 = “João”; s2 = strrep(s1,”ã”,”a”) s2 = “Joao”