Processamento de Texto
Pedro Barahona
DI/FCT/UNL
Introdução aos Computadores e à Programação
2º Semestre 2006/2007
27 Abril 2007
Processamento de Texto
1
Regressão Linear : Um Exemplo
•
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;
– sequências de caracteres (“strings”).
27 Abril 2007
Processamento de Texto
2
Caracteres e seus Códigos
•
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, ‫ך‬, ‫ﭏ‬, ‫ )غغ‬só 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”)
27 Abril 2007
Processamento de Texto
3
Sequências de Caracteres
•
Sequências de caracteres (“strings”) são conjuntos de caracteres, com uma
ordenação determinada.
•
Em quase todas as linguagens, dados do tipo caracter e sequência (incluindo
sequências simples, com um só caracter) 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’
27 Abril 2007
Processamento de Texto
4
Sequências de Caracteres e Vectores
•
Em geral, e o Octave não foge à regra, sequências 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 sequências : toascii: <sequência>  <vector>
 a = [65,66,67]
>> a = toascii(“ABC”)
– Sequências em vectores :
setstr: <vector>  <sequência>
>> b = setstr([97,98,99])
•
O Octave não é muito estrito no que se refere aos tipos de dados. Por exemplo,
permite operações “numéricas” com sequências, fazendo a conversão de tipos
necessária
>> c = ‘abc’ * 1
•
 b = ‘abc’
 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)
27 Abril 2007
Processamento de Texto
5
Conversão de Sequências de Caracteres
•
Sequências de caracteres podem ser processados de várias formas. Para as mais
comuns, existem funções pré-definidas.
•
Algumas dessas funções permitem converter sequências de caracteres que
representam números para os próprios números.
•
Exemplo: Dada a sequência “ 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.
27 Abril 2007
Processamento de Texto
6
Concatenação de Sequências de Caracteres
•
As sequências podem ser concatenadas. Esta operação é utilizada para juntar
numa só sequência a informação que está dispersa por várias sequências. Por
exemplo, para juntar
– O(s) nome(s) próprio(s) ao(s) apelido(s)
– Os vários campos de um endereço (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 sequência com um branco (“ ”) para espaçar o nome
próprio e o apelido.
27 Abril 2007
Processamento de Texto
7
Partição de Sequências de Caracteres
•
As sequências podem ser “partidas” noutras mais simples, havendo várias formas
de fazer essa partição.
•
Uma forma possível é através de caracteres que funcionam como separadores
(tipicamente espaços).
•
O Octave tem uma função, split, para esse efeito, criando uma matriz de
sequências, cada sequência 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 ”
27 Abril 2007
Processamento de Texto
8
Extracção de Sequências de Caracteres
•
Por vezes estamos interessados apenas em partes de uma sequência. Uma forma
comum de o fazer é indicar
– o índice do primeiro caracter pretendido para a subsequência; e
– o comprimento da subsequência.
tendo 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
27 Abril 2007
Processamento de Texto
9
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
27 Abril 2007
Processamento de Texto
10
Comparação 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_str_before como:
my_str_before (s1,s2) =
27 Abril 2007
1
se s1 << s2
0
se s1 =
-1
se s1 >> s2
Processamento de Texto
s2
11
Comparação de Sequências de Caracteres
•
Dada a natureza recursiva da função my_before, esta utiliza uma função auxiliar,
my_str_tail, para obter a “cauda da cadeia (isto é, sem o seu primeiro caracter).
function t = my_str_tail(s)
c = length(s);
if c == 1 t ="";
else
t = substr(s,2,c-1);
endif;
endfunction;
•
27 Abril 2007
A função my_before compara os primeiros caracteres das sequências (se
existirem). Se estes forem iguais, compara as caudas das sequências
(chamada recursiva).
Processamento de Texto
12
Comparação de Sequências de Caracteres
function b = my_str_before(s1,s2)
c1 = length(s1); c2 = length(s2);
if
c1 == 0 & c2 == 0
elseif c1 == 0 & c2 > 0
elseif c1 > 0 & c2 == 0
b = 0;
b = 1;
b = -1;
else
% c1 > 0 & c2 > 0
if
s1(1) < s2(1)
elseif s1(1) > s2(1)
b = 1;
b = -1;
else
t1 = my_str_tail(s1);
t2 = my_str_tail(s2);
b = my_str_before(t1,t2);
endif;
endif;
endfunction;
27 Abril 2007
Processamento de Texto
13
Comparação de Sequências 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.
27 Abril 2007
Processamento de Texto
14
Comparação de Sequências 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.
27 Abril 2007
Processamento de Texto
15
Substituição de Espaços por Brancos
• 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;
27 Abril 2007
Processamento de Texto
16
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);
endfor
endfunction;
27 Abril 2007
Processamento de Texto
17
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;
27 Abril 2007
Processamento de Texto
18
Normalização de Sequências 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;
27 Abril 2007
Processamento de Texto
19
Eliminação de Espaços Repetidos
• A comparação de cadeias de caracteres pode ser feita usando a função
my_str_norm_before, indicada abaixo, que não considera os caracteres 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;
• 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
27 Abril 2007
Processamento de Texto
20
Comparações 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)

27 Abril 2007
sn1 = “\n RUI \t LOPES”
sn2 = “RUI LOPES”
t1 = -1
t2 = 0
Processamento de Texto
21
Conversões Maiúsculas / Minúsculas
• As funções anteriores assumem um código ASCII, em que os caracteres brancos
têm códigos abaixo 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.
27 Abril 2007
Processamento de Texto
22
Conversões Independentes 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(s)
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)
27 Abril 2007
Processamento de Texto
23
Sequências 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”
27 Abril 2007
Processamento de Texto
24