Processamento de texto
This presentation is the property of its rightful owner.
Sponsored Links
1 / 24

Processamento de Texto PowerPoint PPT Presentation


  • 51 Views
  • Uploaded on
  • Presentation posted in: General

Processamento de Texto. Pedro Barahona DI/FCT/UNL Introdução aos Computadores e à Programação 2º Semestre 2007/2008. Processamento de Texto. Muita informação útil, nomeadamente em tarefas de gestão, não é do tipo numérico.

Download Presentation

Processamento de Texto

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Processamento de texto

Processamento de Texto

Pedro Barahona

DI/FCT/UNL

Introdução aos Computadores e à Programação

2º Semestre 2007/2008

Processamento de Texto


Processamento de texto1

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, procurar, ordenar, passar para maiúsculas, etc...).

  • Este é apenas um exemplo de situações em que se pretende que os programas efectuem processamento de texto.

  • Assim, todas as linguagens de programação prevêem tipos de dados para este fim, nomeadamente

    • Caracteres;

    • sequências de caracteres (“strings”).

Processamento de Texto


Caracteres e seus c digos

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,غغ) 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”)

Processamento de Texto


Sequ ncias de caracteres

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’

Processamento de Texto


Sequ ncias de caracteres e vectores

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 = toascii(“ABC”)a = [65,66,67]

    • Sequências em vectores : setstr: <vector>  <sequência>

      >> 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 sequências, 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)

Processamento de Texto


Convers o de sequ ncias de caracteres

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.

Processamento de Texto


Concatena o de sequ ncias de caracteres

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.

Processamento de Texto


Parti o de sequ ncias de caracteres

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 ”

Processamento de Texto


Extrac o de sequ ncias de caracteres

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

Processamento de Texto


Compara o de caracteres

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

Processamento de Texto


Compara o de caracteres1

1se s1 << s2

0se s1 = s2

-1se s1 >> s2

my_str_before (s1,s2) =

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:

Processamento de Texto


Compara o de sequ ncias de caracteres

Comparação de Sequências de Caracteres

  • Dada a natureza recursiva da função my_str_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;

  • Desta forma, a função my_str_before compara os primeiros caracteres das sequências (se existirem). Se estes forem iguais, compara as caudas das sequências (chamada recursiva).

Processamento de Texto


Compara o de sequ ncias de caracteres1

Comparação de Sequências de Caracteres

  • function 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;

Processamento de Texto


Compara o de sequ ncias de caracteres2

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.

Processamento de Texto


Compara o de sequ ncias com brancos

Comparação de Sequências com Brancos

  • Os caracteres brancos servem para separar os caracteres “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.

Processamento de Texto


Substitui o de brancos por espa os

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;

Processamento de Texto


Elimina o de brancos prefixos e sufixos

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;

Processamento de Texto


Elimina o de espa os repetidos

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;

Processamento de Texto


Normaliza o de sequ ncias de caracteres

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 espaços prefixos (eliminando os espaços 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;

Processamento de Texto


Elimina o de espa os repetidos1

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 esapços repetidos nem 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

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;

Processamento de Texto


Compara es com mai sculas min sculas

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)

  •  sn1 = “\n RUI \t LOPES”

  • sn2 = “RUI LOPES”

  • t1 = -1

  • t2 = 0

Processamento de Texto


Convers es mai sculas min sculas

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.

Processamento de Texto


Convers es independentes do c digo

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

    • ispunct(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(s(i))

Processamento de Texto


Sequ ncias com caracteres especiais

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”

Processamento de Texto


  • Login