Processamento de Texto. Pedro Barahona DI/FCT/UNL Introdução aos Computadores e à Programação 2º Semestre 2006/2007

Processamento de Texto

Pedro Barahona

DI/FCT/UNL

Introdução aos Computadores e à Programação

2º Semestre 2006/2007

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;

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 , ∞, ← ϕ, 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”)

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”

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> Î <vector>

>> a = toascii(“ABC”) Æ a = [65,66,67]

– Sequências em vectores : setstr: <vector> Î <sequência>

>> b = setstr([97,98,99]) Æ 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 Æ 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)

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

Æ b = 47.52

• É interessante comparar o resultado acima com (porquê???)

>> s = “ 23.76 “; b = 2*s

Æ s = [64,100,102,92,110,108,64,64] • A conversão oposta, pode fazer-se com a função num2str.

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)

Æ nome = “Rui Lopes”

• De notar a utilização da sequência com um branco (“ ”) para espaçar o nome próprio e o apelido.

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,“ ”)

Æ nms = “Rui ” “da ” “Costa” “Pina ”

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),

Æ 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)

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 Ù c1 < c2 • Exemplo: >> teste = “a” < “b”

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)

Æ 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) =

1 se s1 << s2 0 se s1 = s2 -1 se s1 >> s2

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).

Comparação de Sequências de Caracteres

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.

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.

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;

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;

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;

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;

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”)

Æ t = -1

>> t = my_str_norm_before(“Rui Lopes”, “ Rui Lopes”)

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) Æ sn1 = “\n RUI \t LOPES” sn2 = “RUI LOPES” t1 = -1 t2 = 0

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”)

Æ 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.

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

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”)