Тема 9
Регулярные выражения

© Яценко Р.Н., 2019-2021

Учебный центр компьютерных технологий "Кит"

1. Введение в регулярные выражения (re)

Назначение

• Проще говоря, регулярное выражение используется для поиска паттернов в указанной строке. Паттерном может быть все что угодно

• Можно создавать паттерны соответствия электронной почте или мобильному номеру. Можно создать паттерны, которые ищут слова в строке, начинающиеся на “a” и заканчивающиеся на “z”

Где используются

1. Проверка соответствия фрагментов текста некоторым критериям. Например, наличие символа обозначения валюты и последующих за ним цифр, проверка адреса электронной почты и т.д.

2. Поиск подстрок, которые в том числе могут иметь несколько форм. Например, поиск 'pet.png', 'pet.jpg', 'pet.jpeg' или 'pet.svg', но не обнаруживались подстроки 'carpet.png' и подобные ей

3. Замена всего, что совпадает с шаблоном, на указанную строку. Например, поиск подстроки 'устройство передвижения, движимое мускульной силой' и замена подстрокой 'велосипед'

4. Разбиение строки по точкам совпадения с шаблоном. Например, разбиение строки по ':' или '='

Пример кода

import re
pattern = r"times"
string = "It was the best of times, it was the worst of times."
print(len(re.findall(pattern,string))) # 2

Примеры выражений

Для написания и отладки регулярных выражений удобно использовать онлайн-сервисы, например https://regex101.com, которые в том числе содержат библиотеку готовых выражений и могут генерировать код для различных языков программирования

https://regex101.com/r/HDScOu/1

2. Язык регулярных выражений

Определение

Регулярные выражения (англ. Regular Expressions)

это компактная форма записи (шаблон, маска или паттерн) представления о коллекции строк. Гибкость и мощь регулярных выражений обусловлена тем, что единственное регулярное выражение может представлять неограниченное число строк, подходящий под заданный шаблон

Строка-шаблон

1. Флаги
2. Символы и классы символов
3. Квантификаторы
4. Группировка и выбор
5. Проверка границ (привязки)

Флаги

Флаги не входят непосредственно в регулярное выражение, однако расширяют его функции:

• 'g' – глобальный поиск (обрабатываются все совпадения с шаблоном поиска)
• 'i' – регистр букв не имеет значения (по умолчанию любой поиск регистрозависим)
• 'm' – многострочный поиск
• и др.

Флаг указывается после паттерна, например: '/[0-9]/m'

Поиск символов и строк

Одним из наиболее простых случаев является поиск отдельных символов и строк

https://regex101.com/r/Y67E75/1

Экранирование специальных символов

Специальные символы (символы-джокеры должны экранироваться символом обратного слеша '\'. К ним относятся:

\ . ~ $ ? + * { } [ ] ( ) |

В пределах регулярных выражений можно также использовать большинство стандартных экранированных последовательностей языка Python, например, '\n', '\t' и др.

Поиск множества символов

Для поиска не конкретной последовательности символов, а некоторого их множества предназначены классы символов

[группа_символов]

Соответствует любому одиночному символу, входящему в группа_символов. По умолчанию при сопоставлении учитывается регистр

Пример:

• выражение '[аеёиоуэюя]' позволяет найти все гласные буквы в строке
• выражение 'п[ое]л' даст совпадение для слов 'пел' и 'пол', но не найдет слова 'поел' или 'пил'

[^группа_символов]

Соответствует любому одиночному символу, НЕ входящему в группа_символов. По умолчанию при сопоставлении учитывается регистр.

Пример:

• выражение '[^аеёиоуэюя]' обнаружит все символы в тексте, кроме гласных букв

[первый-последний]

Диапазон символов: соответствует одному символу в диапазоне от первый до последний

Пример:

• выражение '[0-9]' найдет все цифры в тексте

. (точка)

Специальный знак '.' соответствует какому-либо одному знаку, кроме '\n'. Для поиска точки необходимо использовать экранирование: '\.'

Пример:

• выражение 'м.л' найдет в тексте 'мел', 'мул' и т.д.

\w

Соответствует любому алфавитно-цифровому знаку

Пример:

• выражение '\w1' найдет в тексте '11' или 'я1'

\W

Соответствует любому символу, НЕ являющимся алфавитно-цифровым знаком

\s

Соответствует любому пробельному символу (пробел, табуляция и др.)

\S

Соответствует любому знаку, НЕ являющемуся пробельным

\d

Соответствует любой десятичной цифре

Пример:

• выражение '\d-й' найдет в тексте '1-й' или '2-й'

\D

Соответствует любому символу, НЕ являющемуся десятичной цифрой

Квантификаторы

Зачастую требуется не только найти слово по символам или группе символов, но и указать количество возможных повторений, для чего в регулярных выражениях используются квантификаторы

Квантификаторы записываются после символа/строки/множества

Виды квантификаторов

Жадность и лень

Каждый квантификатор может быть:

• жадный (англ. greedy): находит как можно больше подходящих символов
• ленивый (англ. lazy): находит как можно меньше подходящих символов

По умолчанию, все квантификаторы являются жадными; для включения «ленивого» режима необходимо поставить знак '?' после квантификатора

Разница между жадным и ленивым режимом

https://regex101.com/r/grLIWd/1

https://regex101.com/r/grLIWd/2

Задания

https://regex101.com/r/aGn8QC/2

1. Найдите все натуральные числа (возможно, окружённые буквами)
2. Найдите все «слова», написанные капсом (то есть строго заглавными), возможно внутри настоящих слов (аааБББввв)
3. Найдите слова, в которых есть русская буква, а когда-нибудь за ней цифра
4. Найдите все слова, начинающиеся с русской или латинской большой буквы (\b — граница слова)

5. Найдите слова, которые начинаются на гласную (\b — граница слова)
6. Найдите все натуральные числа, не находящиеся внутри или на границе слова
7. Найдите строчки, в которых есть символ * (. — это точно не конец строки!)
8. Найдите строчки, в которых есть открывающая и когда-нибудь потом закрывающая скобки
9. Выделите одним махом весь кусок оглавления (в конце примера, вместе с тегами)
10. Выделите одним махом только текстовую часть оглавления, без тегов

3. Модуль re

"Сырые" строки

• В коде регулярные выражения обычно записываются в виде «сырых» строк (с префиксом r, подавляющих экранирование).

• Так, при поиске переноса строки удобнее указать r"\n" вместо "\\n", избежав необходимости дублировать экранирующий символ

Способы работы

1. Если предполагается однократная проверка, достаточно использовать функции модуля re. При этом во время вызова функции, произойдет компиляция регулярного выражения и дальнейший поиск соответствий
2. Если проверка будет осуществляется не один раз, эффективным будет предварительно один раз скомпилировать выражение (получив специальный объект класса re.regex), а затем использовать его методы

Функции модуля re

Примеры

import re 

match = re.search(r'\d\d\D\d\d', r'Телефон 123-12-12') 
print(match[0] if match else 'Not found') 
# 23-12 

match = re.search(r'\d\d\D\d\d', r'Телефон 1231212') 
print(match[0] if match else 'Not found') 
# Not found 

match = re.fullmatch(r'\d\d\D\d\d', r'12-12') 
print('YES' if match else 'NO') 
# YES 

match = re.fullmatch(r'\d\d\D\d\d', r'Т. 12-12') 
print('YES' if match else 'NO') 
# NO 

print(re.split(r'\W+', 'Где, скажите мне, мои очки??!')) 
# ['Где', 'скажите', 'мне', 'мои', 'очки', ''] 

print(re.findall(r'\d\d\.\d\d\.\d{4}', 
    r'Эта строка написана 19.01.2018, а могла бы и 01.09.2017')) 
# ['19.01.2018', '01.09.2017'] 

for m in re.finditer(r'\d\d\.\d\d\.\d{4}', 
    r'Эта строка написана 19.01.2018, а могла бы и 01.09.2017'): 
    print('Дата', m[0], 'начинается с позиции', m.start()) 
# Дата 19.01.2018 начинается с позиции 20 
# Дата 01.09.2017 начинается с позиции 45 

print(re.sub(r'\d\d\.\d\d\.\d{4}', 
    r'DD.MM.YYYY', 
    r'Эта строка написана 19.01.2018, а могла бы и 01.09.2017')) 
# Эта строка написана DD.MM.YYYY, а могла бы и DD.MM.YYYY 

Дополнительные флаги

Примеры

print(re.findall(r'\d+', '12 + ٦٧')) 
# ['12', '٦٧'] 
print(re.findall(r'\w+', 'Hello, мир!')) 
# ['Hello', 'мир'] 
print(re.findall(r'\d+', '12 + ٦٧', flags=re.ASCII)) 
# ['12'] 
print(re.findall(r'\w+', 'Hello, мир!', flags=re.ASCII)) 
# ['Hello'] 
print(re.findall(r'[уеыаоэяию]+', 'ОООО ааааа ррррр ЫЫЫЫ яяяя')) 
# ['ааааа', 'яяяя'] 
print(re.findall(r'[уеыаоэяию]+', 'ОООО ааааа ррррр ЫЫЫЫ яяяя', 
    flags=re.IGNORECASE)) 
# ['ОООО', 'ааааа', 'ЫЫЫЫ', 'яяяя'] 

text = r""" 
Торт 
с вишней1 
вишней2 
""" 
print(re.findall(r'Торт.с', text)) 
# [] 
print(re.findall(r'Торт.с', text, flags=re.DOTALL)) 
# ['Торт\nс'] 
print(re.findall(r'виш\w+', text, flags=re.MULTILINE)) 
# ['вишней1', 'вишней2'] 
print(re.findall(r'^виш\w+', text, flags=re.MULTILINE)) 
# ['вишней2'] 

Компиляция регулярок

re.compile(pattern, flags=0)

Компилирует регулярное выражение pattern, используя флаги flags (например, re.MULTILINE) и возвращает объект класса re.regex

Пример:

import re
regex = re.compile("^.+?(\d)")
print(regex.search("Привет1 Привет12")[0])

Match-объекты

• Если функции re.search, re.fullmatch не находят соответствие шаблону в строке, то они возвращают None, функция re.finditer не выдаёт ничего

• Если соответствие найдено, то возвращается match-объект. Эта штука содержит в себе кучу полезной информации о соответствии шаблону

Атрибуты match

match = re.search(r'\w+', r'$$ What??')
print(match[0]) 
# 'What'

match = re.search(r'\w+', r'$$ What??')
print(match.start()) # 3
print(match.end()) # 7

4. Группировка и выбор

Группирующие скобки (…)

• Если в шаблоне регулярного выражения встречаются скобки (...) без ?:, то они становятся группирующими
• В match-объекте, который возвращают re.search, re.fullmatch и re.finditer, по каждой такой группе можно получить ту же информацию, что и по всему шаблону:
  • часть подстроки, которая соответствует (...)
  • индексы начала и окончания в исходной строке

Пример с группами

import re 
pattern = r'\s*([А-Яа-яЁё]+)(\d+)\s*' 
string = r'---   Опять45   ---' 
match = re.search(pattern, string) 
print(f'Найдена строка >{match[0]}< с позиции {match.start(0)}', 
      f'до {match.end(0)}') 
print(f'Группа букв >{match[1]}< с позиции {match.start(1)}', 
      f'до {match.end(1)}') 
print(f'Группа цифр >{match[2]}< с позиции {match.start(2)}', 
      f'до {match.end(2)}') 

Найдена строка >   Опять45   < с позиции 3 до 16
Группа букв >Опять< с позиции 6 до 11
Группа цифр >45< с позиции 11 до 13

Особенности групп с квантификатором

• Если к группирующим скобкам применён квантификатор (то есть указано число повторений), то подгруппа в match-объекте будет создана только для последнего соответствия

• Например, если бы в для строки
  '--- Опять45 ---'
  квантификаторы были снаружи от скобок
  '\s*([А-Яа-яЁё])+(\d)+\s*', то вывод был бы таким:

Найдена подстрока >   Опять45   < с позиции 3 до 16 
Группа букв >ь< с позиции 10 до 11 
Группа цифр >5< с позиции 12 до 13

Вложенные скобки

• Внутри группирующих скобок могут быть и другие группирующие скобки.

• В этом случае их нумерация производится в соответствии с номером появления открывающей скобки в шаблоне

import re 
pattern = r'((\d)(\d))((\d)(\d))' 
string = r'123456789' 
match = re.search(pattern, string) 
print(f'Найдена строка >{match[0]}< с позиции {match.start(0)}', 
      f'до {match.end(0)}') 
for i in range(1, 7): 
    print(f'Группа №{i} >{match[i]}< с позиции {match.start(i)}', 
          f'до {match.end(i)}')  

Найдена строка >1234< с позиции 0 до 4
Группа №1 >12< с позиции 0 до 2
Группа №2 >1< с позиции 0 до 1
Группа №3 >2< с позиции 1 до 2
Группа №4 >34< с позиции 2 до 4
Группа №5 >3< с позиции 2 до 3
Группа №6 >4< с позиции 3 до 4

Использование групп при заменах

• Использование групп добавляет замене (re.sub) очень удобную возможность: в шаблоне для замены можно ссылаться на соответствующую группу при помощи \1, \2, \3, ...

• Например, если нужно даты из неудобного формата ММ/ДД/ГГГГ перевести в удобный ДД.ММ.ГГГГ, то можно использовать такую регулярку:

import re 
text = """
We arrive on 03/25/2018. 
So you are welcome after 04/01/2018.
""" 
print(re.sub(r'(\d\d)/(\d\d)/(\d{4})', r'\2.\1.\3', text)) 

We arrive on 25.03.2018. 
So you are welcome after 01.04.2018.

Невыделяемая группа

(?:часть_выражения)

Определяет невыделяемую группу (без захвата)

Пример:

• выражение '(?:\w+)\s' выполнит в тексте поиск слов, отделенных пробельным символом; при этом слово НЕ будет захвачено в отдельную группу

Выбор

Операция выбора позволяет захватить одно из нескольких выражений в качестве результата поиска

выражение1|выражение2|выражение3

Соответствует любому элементу, разделенному вертикальной чертой '|'

Пример

• выражение 'красн(?:ый|оватый|енький)' найдет в тексте слова 'красный', 'красноватый', 'красненький'; при этом окончание не будет захвачено в группу

5. Проверка границ (привязки)

Простые шаблоны

Сложные шаблоны (lookaround)

Примеры

Спасибо за внимание!

© Яценко Р.Н., 2019-2021

Учебный центр компьютерных технологий "Кит"