在公司裏，由於整個開發流程相對規範，整天都是拿着文檔做開發，動腦筋也不太多了，久而久之難免會感到厭煩，還好有一些不需要循規蹈矩的小task可以調和一下。事實上，對於這些小task，Leader通常都會很頭痛，因爲都是一些如果手工完成都會讓人抓狂的，繁瑣而無聊的工作。每每接到這些看似很無聊的task，我都會考慮用較爲聰明的方式將其完成。雖然俺的勞動力低廉，但是也不想被這些無聊的工作壞了心情，也正好可以動動自己那快要生鏽的腦筋。
這次來的task有點棘手：在3萬多行的文本中找出符合要求的文本段。這些文本段當中，可能有一部分是相同的，所以還要統計相同文本段出現的次數，最後以一個統一的格式輸出到一個文件中。既然是文本的處理，最自然就是想到了處理文本的利器：Python。好，明確了task，也選好了工具，開工！
首先我大致看了一下整個文本的組成，發現文本無非是由兩種類似的文本段組成的：包含字符串"Servelet.Engine.Transports"的文本以及包含"Thread"的文本。而task的要求則是從中挖出包含"Servelet.Engine.Transports"的文本段，並且在此基礎上統計相同文本段出現的次數。既然如此，就不要一步到位了，來個步步爲營吧——先將包含"Thread"的文本段給過濾掉，得到只包含"Servelet.Engine.Transports"的文本，最後再做統計。那麼，問題就細化爲如何過濾文本了。於是，我翻閱了一下文檔之後，寫出了以下的代碼：
import relog = open("20060323.txt", "r")output = open("servlet.txt", "w")num = 0for line in log.readlines(): if re.search("Servlet.Engine.Transports", line): num = 1 output.write(line) elif line == "\n" and num == 1 : output.write(line) num = 0 log.close()output.close()
真的很簡短喔！嘿嘿，注意啦！我可不是在自賣自誇哦，偶是在誇着Python提供了很不錯的API，讓我可以用很簡單的方式完成了所需的工作。對於以上代碼，需要注意的地方是re這個module以及module中search函數，還有關於文件的簡單操作。由於open函數存在於__builtins__中，因此不需要import任何的module就可以直接使用了，而open函數返回的正是一個file類型的對象。對於open函數來說，第一個參數是文件名，而第二個參數則是操作文件的方式，"r"代表讀操作，而"w"則代表寫操作。如果沒有指明具體的文件操作方式，那麼默認就是讀操作了。在獲得文件對象log之後，通過readlines方法就可以獲得整個文件所有行的文本內容，並且存放於一個list中，便於進行遍歷。進入到for...in循環體，我們可以見到一個特別的module——re。re是一個用於正則表達式的module，search函數的第一個函數表示正則表達式的pattern，而第二個參數則是用於校驗匹配的字符串。一旦該字符串符合第一個參數給出的pattern，那麼將返回一個MatchObject對象，否則就返回None，所以這樣一個方法就能夠幫助我找出符合條件的字符串了。不過，再仔細想一下，我只不過是要找出包含某個固定子串的字符串而已，出動正則表達式真的有殺雞用牛刀的感覺了。於是，我將if後面的條件判斷換成了string.find(line, "Servlet.Engine.Transports") > 0，並且引入string這個module。這下子總算心裏舒坦了，一個蘿蔔一個坑，簡單的string操作還是用string module比較爽。當然了，速度上也有了提高。好，第一步大功告成，接下來就是對相同文本段進行統計了。
既然是統計，第一步就要知道在所有的文本段中有多少個是完全不同的，這樣先得到一個不包含重複元素的列表。然後再根據這個列表重新遍歷所有的文本段，得到統計結果。這樣一分析，問題又細化爲如何得到一個不包含重複元素得列表中了(需要說明的一點，對於第一步輸出的文件，我以List嵌套的方式表示之：[[txtline1,txtline2, txtline3], [txtline5, txtline6], ...])。我一開始想到了set這個數據類型，因爲它就是用於表示一個不包含重複元素的數據列表，同時也提供了將list轉化爲set的方法。例如(以下引自Python Tutorial)：
>>> basket = ['apple', 'orange', 'apple', 'pear', 'orange', 'banana'] >>> fruits = set(basket) # create a set without duplicates >>> fruitsset(['orange', 'pear', 'apple', 'banana'])
於是，我將set(iterable)這個函數應用到自己構造的List中，卻遇到了這樣的錯誤：TypeError: list objects are unhashable。原來set(iterable)這個函數並不能應用在List的元素也是List的情況下。就這樣，第一個想法被否定了，偶那生鏽的腦袋也短路了，一時間無從下手。後來我想，既然是對List的操作，還是從List入手吧，於是我開始翻閱有關List的函數。很快的，我發現了List有一個count函數，用來統計List中某個元素出現的次數的。這讓我欣喜若狂，因爲solution已經找到了，原來就是這麼簡單：
tmpList = [] for sortedItemList in sortedList: # sortedList就是包含了所有文本段的List if tmpList.count(sortedItemList) == 0: tmpList.append(sortedItemList)
最後得到的tmpList就是一個不包含重複文本段的List了。有了這樣一個所有元素都是唯一的List，最後的統計也很好辦了。這不是還有剛剛幫了大忙的count函數嗎？
unique = open("D:\\uniqueList.txt", "w") for tmpItemList in tmpList: for tmpItem in tmpItemList: unique.write(tmpItem) countno = sortedList.count(tmpItemList)
好了，大功告成！一個繁瑣的task在Python的幫助下，變得簡單而有趣，而我也不由得被注重實效的Python再次深深打動了。可是，每一次都被打動，而每一次都因爲這樣那樣的藉口把她晾在了一邊，直到有了棘手的task纔想起她，真的很糟糕。要做一名pragmatic programmer，光說不練可不行啊！OK，思過完畢，我們下次再接着聊Python，哈哈！