Processamento de Texto

1. Processamento de Texto Pedro Barahona DI/FCT/UNL Introdução aos Computadores e à Programação 2º Semestre 2007/2008 Processamento de Texto

2. 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

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, 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

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 d’Albuquerque” • frase = ‘Ele exclamou: “Óptimo” e fugiu’ 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: <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

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 “ 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

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. 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 ” 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 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 Processamento de Texto

11. 1 se s1 << s2 0 se s1 = s2 -1 se 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

12. 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

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; • endif; • endfunction; 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. Processamento de Texto

15. 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

16. 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

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; 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; 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 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

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 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

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 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. 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 • 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

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” Processamento de Texto