在Python字符串中忽略大小写

Question

在Python中，最简单的方法来比较字符串而不考虑大小写是什么呢？

当然，你可以用 (str1.lower() <= str2.lower()) 这样的方式来比较，但这样会产生两个额外的临时字符串，这样会消耗更多的内存和处理时间。

我想找一个类似于C语言中stricmp()的功能。

[有人要求更多的背景信息，所以我用一个简单的例子来说明:]

假设你想对一长串字符串进行排序。你只需要用 theList.sort() 就可以了。这会进行 O(n * log(n)) 次字符串比较，而且不需要管理内存（因为所有字符串和列表元素都是某种智能指针）。这样你就很满意了。

现在，你想做同样的事情，但忽略大小写（为了简单起见，我们假设所有字符串都是ASCII格式，所以不需要考虑地区问题）。你可以用 theList.sort(key=lambda s: s.lower())，但这样每次比较都会产生两个新的字符串，还会让垃圾回收器处理这些重复的（小写的）字符串。每次这样的内存管理都比简单的字符串比较慢得多。

如果有一个类似于stricmp()的函数，你就可以用 theList.sort(cmp=stricmp) 来排序，这样既快又省内存，你又会很开心。

问题是，任何基于Python的大小写不敏感的比较都会涉及到隐式的字符串复制，所以我本来期待能找到一个基于C的比较方法（也许在string模块里）。

但我没有找到这样的东西，所以才有了这个问题。（希望这能澄清我的问题）。

Answer 1

你是在一个需要高性能的应用程序中，频繁使用这个比较操作吗？或者说，你是在处理几兆字节大小的字符串吗？如果不是，那就不用担心性能问题，直接使用 .lower() 方法就可以了。

下面的代码演示了在我的1.8GHz桌面电脑上，对两个接近一兆字节大小的字符串进行不区分大小写的比较，调用 .lower() 方法大约只需要0.009秒：

from timeit import Timer

s1 = "1234567890" * 100000 + "a"
s2 = "1234567890" * 100000 + "B"

code = "s1.lower() < s2.lower()"
time = Timer(code, "from __main__ import s1, s2").timeit(1000)
print time / 1000   # 0.00920499992371 on my machine

如果这个代码确实是一个非常重要、对性能要求极高的部分，那么我建议你用C语言写一个函数，然后在Python代码中调用它，这样可以实现真正高效的不区分大小写的搜索。关于如何编写C扩展模块的详细信息，可以在这里找到：https://docs.python.org/extending/extending.html

Answer 2

这里有一个基准测试，显示使用 str.lower 的速度比被接受的答案中提到的方法 (libc.strcasecmp) 快很多：

#!/usr/bin/env python2.7
import random
import timeit

from ctypes import *
libc = CDLL('libc.dylib') # change to 'libc.so.6' on linux

with open('/usr/share/dict/words', 'r') as wordlist:
    words = wordlist.read().splitlines()
random.shuffle(words)
print '%i words in list' % len(words)

setup = 'from __main__ import words, libc; gc.enable()'
stmts = [
    ('simple sort', 'sorted(words)'),
    ('sort with key=str.lower', 'sorted(words, key=str.lower)'),
    ('sort with cmp=libc.strcasecmp', 'sorted(words, cmp=libc.strcasecmp)'),
]

for (comment, stmt) in stmts:
    t = timeit.Timer(stmt=stmt, setup=setup)
    print '%s: %.2f msec/pass' % (comment, (1000*t.timeit(10)/10))

在我的机器上，典型的运行时间是：

235886 words in list
simple sort: 483.59 msec/pass
sort with key=str.lower: 1064.70 msec/pass
sort with cmp=libc.strcasecmp: 5487.86 msec/pass

所以，使用 str.lower 的版本不仅速度最快，而且在所有提议的解决方案中，最具可移植性和符合 Python 风格。我没有分析内存使用情况，但原帖作者至今没有给出令人信服的理由让人担心这个问题。而且，谁说调用 libc 模块就不会重复字符串呢？

注意：lower() 字符串方法还有一个好处，就是它会根据地区设置而变化。这一点在你自己写“优化”解决方案时可能不会考虑到。尽管如此，由于 Python 中的错误和缺失功能，这种比较在处理 Unicode 时可能会给出错误的结果。

Answer 3

关于你的澄清...

你可以使用 ctypes 来调用 C 语言的函数 "strcasecmp"。ctypes 是从 Python 2.5 开始就有的一个功能。它可以让你调用一些动态链接库和共享库，比如 libc。下面是一个简单的例子（这是在 Linux 上的 Python；如果你需要 Windows 的帮助，可以查看链接）：

from ctypes import *
libc = CDLL("libc.so.6")  // see link above for Win32 help
libc.strcasecmp("THIS", "this") // returns 0
libc.strcasecmp("THIS", "THAT") // returns 8

你可能还想看看 strcasecmp 的文档

我不太确定这样做是否更快或更慢（我没有测试过），但这是使用 C 函数进行不区分大小写的字符串比较的一种方法。

~~~~~~~~~~~~~~

ActiveState Code - Recipe 194371: 不区分大小写的字符串 是一个创建不区分大小写字符串类的示例。虽然这个方法可能有点复杂，但如果你打算经常使用不区分大小写的字符串，它可以为你提供一个常见的处理方式。