informatica di base per le discipline umanistiche

Transcript

1 informatica di base per le discipline umanistiche vito pirrelli Istituto di Linguistica Computazionale CNR Pisa Dipartimento di linguistica Università di Pavia

2 nona lezione: percorrere un testo vito pirrelli Istituto di Linguistica Computazionale CNR Pisa Dipartimento di linguistica Università di Pavia

3 il testo come percorso cosa vuol dire per un calcolatore leggere un testo? quando salviamo un file di testo, registriamo in formato binario la sequenza specifica di lettere e delimitatori di cui si compone il testo nella memoria di massa del calcolatore possiamo dire che il calcolatore legge un testo mentre lo salva? un possibile test per rispondere a questa domanda è quello di chiedere al calcolatore se la parola cane sia mai stata usata nel testo e, se sì, dove è stata usata per la prima volta per rispondere a queste semplici domande, al calcolatore non basta aver salvato il testo: deve scorrerlo un utile metafora per rappresentare il processo di lettura di un testo da parte del calcolatore è dunque questa: leggere significa scorrere dei caratteri in sequenza ed essere in grado di riconoscere degli schemi ricorrenti questi schemi possono essere sillabe, parole o frasi, o ancora classi di sillabe, parole o frasi

4 il testo come percorso (II) in WORD è possibile cercare una parola in un testo attivando la funzione trova la parola da cercare dev essere scritta in un apposita finestrella di testo, che si apre attivando la funzione con un click la funzione, una volta avviata, individua la prima ricorrenza della parola desiderata alla destra o alla sinistra del cursore trova in WORD funziona dunque percorrendo il testo a partire dalla posizione corrente del cursore la ricerca può avvenire in una direzione o nell altra, a seconda che sia stato chiesto di percorrere il testo verso il basso (a destra del cursore) o verso l alto (alla sua sinistra) (per saperne di più clicca sulle parole evidenziate!)

5 il testo come percorso (III) la differenza di prospettiva (alto/basso, sinistra/destra) è dovuta a come immaginiamo sia organizzato il testo; se il testo è visto come una pura sequenza di parole, allora è naturale usare espressioni come cerca verso destra o cerca verso sinistra ; se invece immaginiamo che il testo sia strutturato in paragrafi e pagine disposti l uno sull altro in verticale, diventa più intuitivo parlare di alto e basso, su e giù entrambe le espressioni alludono, comunque, alla stessa metafora del testo come percorso

6 il testo come percorso (IV) possiamo percorrere un testo alla ricerca di classi di sequenze di caratteri assai più complicate delle singole parole, ad esempio: tutte le parole che iniziano con la lettera maiuscola le stringhe di numeri la cui seconda cifra è 2 le linee di testo che terminano con un punto esclamativo ecc. le cosiddette espressioni regolari ci consentono di esprimere in modo immediato queste classi ricorda che all interno di un espressione regolare qualsiasi delimitatore è un carattere uno spazio vuoto è un carattere un accapo è un carattere un tabulatore è un carattere

7 le espressioni regolari un espressione regolare (erre) è un espressione logica che descrive una particolare sequenza di caratteri ad esempio, all interno di una erre possiamo usare l operatore logico AND per indicare una concatenazione c AND a : cercami la sequenza ca l operatore logico OR per indicare una disgiunzione cane OR gatto : cercami nel testo la parola cane o la parola gatto l operatore logico NOT per escludere certe sequenze AND NOT( c ) : cercami qualsiasi parola che non inizi per c per semplificare la scrittura (ma non necessariamente la lettura!) delle espressioni regolari è stata introdotta una sintassi particolare

8 la sintassi delle espressioni regolari per convenzione, negli esempi seguenti una erre è sempre racchiusa tra slash : / l operatore logico di concatenazione (AND) è omesso: /ca/: cercami la sequenza ca /n a/: cercami la sequenza formata da una n seguita da uno spazio vuoto, seguito da una a esempio: un asino l operatore logico di disgiunzione (OR) è indicato in due modi diversi: con le parentesi quadre [ ] per esprimere la disgiunzione tra caratteri singoli /[abc]/: cercami una a, una b o una c da un pipe,, per esprimere la disgiunzione tra stringhe /cane gatto/: cercami nel testo la parola cane o la parola gatto

9 la sintassi delle espressioni regolari l operatore logico NOT è espresso dal simbolo (prefissato) ^ racchiuso tra parentesi quadre [ ] / [^aeiouaeiou]/: cercami una (semi)consonante ad inizio di parola letteralmente: cercami un carattere preceduto da uno spazio vuoto e che non sia né una a, né una e, né una i, né una o e né una u

10 quante volte? una erre può contenere simboli che indicano quante volte una certa sequenza deve essere trovata questi simboli, detti moltiplicatori, sono tutti postfissi, cioè seguono immediatamente a destra la sequenza alla quale si riferiscono: operatore? di opzionalità /pa?/: cercami una p, seguita opzionalmente da una a esempi: p, pa operatore * /pa*/: cercami una p, seguita opzionalmente da una o più a esempi: p, pa, paa, paaa... operatore + /pa+/: cercami una p, seguita da almeno una a esempi: pa, paa, paaa, paaaa...

11 moltiplicatori evoluti /<carattere>{n,m}/: il <carattere> deve occorrere almeno n volte e al massimo m volte /<carattere>{n,}/: il <carattere> deve comparire almeno n volte /<carattere>{n}/: il <carattere> deve comparire esattamente n volte

12 ambito nei moltiplicatori l ambito di un moltiplicatore in una erre è la sequenza alla quale il moltiplicatore si riferisce un moltiplicatore può fare riferimento a un solo carattere o a una sequenza di caratteri nel primo caso, il moltiplicatore segue semplicemente a destra nel secondo caso, la sequenza che definisce l ambito va raggruppata tra parentesi tonde esempi: /pa*/: p, pa, paa, paaa... /(pa)*/: pa, papa, papapa, papapapa...

13 classi di caratteri in una erre è possibile definire in modo molto semplice una classe di caratteri ordinati secondo una scala, indicando tra parentesi quadre soltanto il primo e l ultimo elemento della scala, separati da un trattino esempi: /[a-z]/: tutti i caratteri dell alfabeto compresi tra la a e la z /[0-9]/: tutte le cifre decimali dallo 0 al 9

14 utili abbreviazioni RE /\d/ /\w/ /\s/ /\D/ /\W/ /\S/ Classe di caratteri equivalente /[0-9]/ /[a-za-z0-9_]/ /[ \t\n]/ /[^0-9]/ /[^a-za-z0-9_]/ /[^ \t\n]/ caratteri particolari: \t tabulatore \n accapo

15 il carattere jolly esiste un carattere speciale che ha la funzione di jolly, cioè può corrispondere a qualsiasi carattere (con la sola eccezione dell accapo) questo carattere speciale è il punto:. esempi: /p./: pp, pa, pe, pi, pr, pn, p, p?...

16 il carattere normalizza esiste un carattere che ha la funzione di trasformare un carattere speciale in un carattere ordinario questo carattere speciale è il backslash, anche noto come carattere escape \ esempi: /p./: pp, pa, pe, pi, pr, pn, p, p?... /p\./: p.

17 ancore nel descrivere una sequenza con una erre è possibile ancorarla a un punto specifico del testo: ad esempio, è possibile dire che la sequenza in questione deve apparire all inizio della riga, oppure alla fine, oppure ad inizio di parola questi punti di riferimento testuali, detti ancore, sono: ^ : indica l inizio riga $ : indica il fine riga \< : indica l inizio di parola \> : indica il fine parola \b : indica il confine di parola \B : indica qualsiasi carattere con la sola eccezione del confine di parola

18 ancore (II) inizio riga ^ inizio parola \< confine parola \b Esempio di testo incolonnato, con marcatori in evidenza... fine riga $ corpo di parola \B fine parola \>

19 pattern matching ricorda: un espressione regolare descrive una particolare sequenza di caratteri nel testo l uso più comune dell espressioni regolari è quello di evidenziare tutte le sequenze di caratteri nel testo per le quali la erre è verificata (a partire da quella più vicina al cursore) questo uso è chiamato in letteratura pattern matching (dall inglese corrispondenza con uno schema ) nota che due espressioni regolari diverse possono individuare gli stessi punti del testo, ma evidenziare sequenze differenti! / [^aeiou]/: cercami una consonante ad inizio di parola / [^aeiou][a-z]+/: cercami una parola che inizi per consonante

20 pattern matching (II)

21 pattern matching (III)

22 importanza delle ancore

23 importanza delle ancore (II)

24 importanza delle ancore (III)

25 il doppio ruolo delle parentesi abbiamo visto che le parentesi all interno di una erre servono a definire l ambito di un moltiplicatore esiste tuttavia un ruolo ulteriore svolto dalle parentesi (anche in assenza di un moltiplicatore): quello di memorizzare l espressione contenuta in parentesi in una variabile temporanea il contenuto della variabile può essere richiamato con l espressione \<numero>, dove <numero> esprime la posizione della coppia di parentesi a partire da sinistra: 1 = contenuto della prima coppia di parentesi 2 = contenuto della seconda coppia di parentesi 3 = contenuto della terza coppia di parentesi ecc.

26 il doppio ruolo delle parentesi (II) il contenuto della variabile richiamato con l espressione \<numero> può essere a sua volta modificato, come illustra la funzione trova e sostituisci speciale in WORD

27 il doppio ruolo delle parentesi (III)

28 alcune limitazioni la negazione può avere come ambito solo insiemi di caratteri, non sequenze (o stringhe), infatti: 1) /[^zione] \> /: nega la disgiunzione 2) /[^(zione)] \> /: ha la stessa semantica di /[^zione]\>/ 3) /[^z][^i][^o][^n][^e] \> /: nega non solo tutte le stringhe in zione, ma anche molte altre (ad es. quelle in sione), infatti rappresentando una concatenazione di negazioni, la 3) nega qualsiasi parola che contenga almeno una e in ultima posizione, una n in penultima, una o in terzultima, e così via. perché?

29 alcune limitazioni (II) la semantica di una erre che escluda tutte le parole che finiscono in zione può essere parafrasata come segue: trovami tutte le parole che terminano in zione ed escludile dalla ricerca per ottenere questo risultato abbiamo dunque bisogno: 1) di individuare tutte le parole in zione, 2) e poi di escluderle l espressione che cerchiamo dovrebbe compendiare due operazioni incompatibili logicamente: prima la selezione delle parole in zione poi la loro de-selezione

30 alcune limitazioni (III) è possibile ottenere lo stesso risultato con i seguenti passi: selezioniamo tutte le parole che terminano in zione aggiungiamo a ciascuna di esse un etichetta speciale (ad es. T ) selezioniamo tutte e sole le parole che non sono seguite dalla etichetta T

31 marca parole in zione

32 escludi parole in zionet

33 funzione trova in Word (fine excursus)

34 espressioni regolari su internet

35 nona lezione percorrere un testo fine nona lezione (lezione 10)