Wie führe ich einen String-Vergleich ohne Berücksichtigung der Groß-/Kleinschreibung durch?

Question

Wie kann ich Groß-/Kleinschreibung unempfindlich String-Vergleich in Python tun?

Ich möchte den Vergleich einer regulären Zeichenkette mit einer Repository-Zeichenkette auf eine sehr einfache und pythonische Weise kapseln. Ich möchte auch die Möglichkeit haben, Werte in einem Diktat von Zeichenfolgen mit regulären Python Zeichenfolgen gehasht nachschlagen.

Answer 1

Annahme von ASCII-Zeichenfolgen:

string1 = 'Hello'
string2 = 'hello'

if string1.lower() == string2.lower():
    print("The strings are the same (case insensitive)")
else:
    print("The strings are NOT the same (case insensitive)")

Ab Python 3.3, casefold() ist eine bessere Alternative:

string1 = 'Hello'
string2 = 'hello'

if string1.casefold() == string2.casefold():
    print("The strings are the same (case insensitive)")
else:
    print("The strings are NOT the same (case insensitive)")

Wenn Sie eine umfassendere Lösung wünschen, die komplexere Unicode-Vergleiche handhabt, lesen Sie bitte die anderen Antworten.

Answer 2

Der Vergleich von Zeichenketten ohne Berücksichtigung der Groß- und Kleinschreibung scheint trivial, ist es aber nicht. Ich werde Python 3 verwenden, da Python 2 hier unterentwickelt ist.

Zunächst einmal ist zu beachten, dass die Umwandlung von Groß- und Kleinschreibung in Unicode nicht trivial ist. Es gibt Text, für den text.lower() != text.upper().lower() , wie zum Beispiel "ß" :

"ß".lower()
#>>> 'ß'

"ß".upper().lower()
#>>> 'ss'

Aber nehmen wir mal an, Sie wollten falllos vergleichen "BUSSE" y "Buße" . Wahrscheinlich wollen Sie auch vergleichen "BUSSE" y "BUE" gleich - das ist die neuere Großbuchstabenform. Der empfohlene Weg ist die Verwendung von casefold :

str. Fallfalte ()

Gibt eine gefaltete Kopie der Zeichenkette zurück. Gefaltete Zeichenketten können verwendet werden für falllosen Abgleich verwendet werden.

Die Groß-/Kleinschreibung ist ähnlich wie die Kleinschreibung, aber aggressiver, da sie alle Unterscheidungen zwischen Groß- und Kleinschreibung in einer Zeichenkette aufheben soll. [...]

Verwenden Sie nicht nur lower . Si casefold nicht verfügbar ist, wird .upper().lower() hilft (aber nur ein wenig).

Dann sollten Sie über Akzente nachdenken. Wenn Ihr Schrift-Renderer gut ist, denken Sie wahrscheinlich "ê" == "e" - aber das tut sie nicht:

"ê" == "e"
#>>> False

Der Grund dafür ist, dass der Akzent bei letzterem ein kombinierendes Zeichen ist.

import unicodedata

[unicodedata.name(char) for char in "ê"]
#>>> ['LATIN SMALL LETTER E WITH CIRCUMFLEX']

[unicodedata.name(char) for char in "e"]
#>>> ['LATIN SMALL LETTER E', 'COMBINING CIRCUMFLEX ACCENT']

Der einfachste Weg, damit umzugehen, ist unicodedata.normalize . Sie möchten wahrscheinlich NFKD Normalisierung aber sehen Sie sich ruhig die Dokumentation an. Dann tut man

unicodedata.normalize("NFKD", "ê") == unicodedata.normalize("NFKD", "e")
#>>> True

Abschließend sei gesagt, dass dies in Funktionen ausgedrückt wird:

import unicodedata

def normalize_caseless(text):
    return unicodedata.normalize("NFKD", text.casefold())

def caseless_equal(left, right):
    return normalize_caseless(left) == normalize_caseless(right)

Answer 3

Bei Verwendung von Python 2 kann der Aufruf von .lower() für jede Zeichenkette oder jedes Unicode-Objekt...

string1.lower() == string2.lower()

...funktioniert die meiste Zeit, aber in der Tat nicht in der Situationen, die @tchrist beschrieben hat .

Angenommen, wir haben eine Datei namens unicode.txt mit den beiden Zeichenketten y . Mit Python 2:

>>> utf8_bytes = open("unicode.txt", 'r').read()
>>> print repr(utf8_bytes)
'\xce\xa3\xce\xaf\xcf\x83\xcf\x85\xcf\x86\xce\xbf\xcf\x82\n\xce\xa3\xce\x8a\xce\xa3\xce\xa5\xce\xa6\xce\x9f\xce\xa3\n'
>>> u = utf8_bytes.decode('utf8')
>>> print u

>>> first, second = u.splitlines()
>>> print first.lower()

>>> print second.lower()

>>> first.lower() == second.lower()
False
>>> first.upper() == second.upper()
True

Das Zeichen hat zwei Kleinbuchstabenformen, und , und .lower() hilft nicht, sie fallunsensibel zu vergleichen.

Ab Python 3 werden jedoch alle drei Formen in , aufgelöst, und der Aufruf von lower() für beide Zeichenketten funktioniert korrekt:

>>> s = open('unicode.txt', encoding='utf8').read()
>>> print(s)

>>> first, second = s.splitlines()
>>> print(first.lower())

>>> print(second.lower())

>>> first.lower() == second.lower()
True
>>> first.upper() == second.upper()
True

Wenn Sie sich also für Randfälle wie die drei Sigmas im Griechischen interessieren, sollten Sie Python 3 verwenden.

(Als Referenz sind Python 2.7.3 und Python 3.3.0b1 in den obigen Interpreter-Ausdrucken zu sehen).

Answer 4

Abschnitt 3.13 der Unicode-Norm definiert Algorithmen für fallfreie Abgleich.

X.casefold() == Y.casefold() in Python 3 implementiert das "default caseless matching" (D144).

Beim Casefolding wird die Normalisierung von Zeichenketten nicht in allen Fällen beibehalten, weshalb die Normalisierung nachgeholt werden muss ( 'å' vs. 'a' ). D145 führt den "kanonischen fallfreien Abgleich" ein:

import unicodedata

def NFD(text):
    return unicodedata.normalize('NFD', text)

def canonical_caseless(text):
    return NFD(NFD(text).casefold())

NFD() wird in sehr seltenen Fällen, die das Zeichen U+0345 betreffen, zweimal aufgerufen.

Beispiel:

>>> 'å'.casefold() == 'a'.casefold()
False
>>> canonical_caseless('å') == canonical_caseless('a')
True

Es gibt auch Kompatibilität hülsenlos passend (D146) für Fälle wie '' (U+3392) und "identifier caseless matching" zur Vereinfachung und Optimierung fallfreier Abgleich von Identifikatoren .

Answer 5

Sie können die Methode casefold() verwenden. Die Methode casefold() ignoriert Groß- und Kleinschreibung beim Vergleich.

firstString = "Hi EVERYONE"
secondString = "Hi everyone"

if firstString.casefold() == secondString.casefold():
    print('The strings are equal.')
else:
    print('The strings are not equal.')

Ausgabe:

The strings are equal.