27 Abril 2007Processamento de Texto1 Pedro Barahona DI/FCT/UNL Introdução aos Computadores e à Programação 2º Semestre 2006/2007

27 Abril 2007 Processamento de Texto 2 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 3 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,, 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)

27 Abril 2007 Processamento de Texto 4 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 dAlbuquerque –frase = Ele exclamou: Óptimo e fugiu

27 Abril 2007 Processamento de Texto 5 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: >> a = toascii(ABC) a = [65,66,67] –Sequências em vectores : setstr: >> 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)

27 Abril 2007 Processamento de Texto 6 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 (com espaços), a sua conversão para um número é obtida com a função str2num. >> s = ; a = str2num(s); b = 2*a b = É interessante comparar o resultado acima com (porquê???) >> s = ; 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 7 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 8 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 9 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 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

27 Abril 2007 Processamento de Texto 11 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) = 1se s1 << s2 0se s1 = s2 -1se s1 >> s2

27 Abril 2007 Processamento de Texto 12 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; A função my_before compara os primeiros caracteres das sequências (se existirem). Se estes forem iguais, compara as caudas das sequências (chamada recursiva).

27 Abril 2007 Processamento de Texto 13 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; endfunction;

27 Abril 2007 Processamento de Texto 14 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 15 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 16 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 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); endfor endfunction;

27 Abril 2007 Processamento de Texto 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;

27 Abril 2007 Processamento de Texto 19 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 20 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. 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;

27 Abril 2007 Processamento de Texto 21 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

27 Abril 2007 Processamento de Texto 22 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 23 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 24 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