Регулярни изрази в Python

„ Програмиране с Python“, ФМИ

28.02.2007г.

Идеята

Регулярните изрази се използват за търсене и заместване в текст. Те предлагат апарат, с който дефинирате шаблони, описващи последователност от символи, след което да проверявате дали даден текст съдържа съответния шаблон. Основават се на идея от дискретната математика, макар че реализацията им в езиците за програмиране е доста по-сложна.

Прост пример

• на pam съответстват spam и pamela
• на h(ot|ound) dog съответстват hot dog и hound dog
• на fn\d+ съответстват fn1, fn44444, fn420169 и т.н.
• на .at съответстват hat, cat, rat и т.н.
• на [a-zA-Z0-9._]+@[a-aA-Z0-9._]+\.[a-z]+ съответстват повечете email адреси

В детайли

• Регулярните изрази представляват текстови низове
• Буквите и цифрите съответстват на себе си
• Точката съответства на всеки символ, без новия ред
• \d съответства на цифра
• \w съответства на буква
• \s съответства на бяло пространство
• \D, \W и \S са инверсии на съответните символи

В детайли (2)

• \d\d\d\d\d\d\d съответства на ЕГН
• \w\w\w\d\w\w\d\d съответства на три букви, цифра, две букви и после две цифри (например ani4ka92)
• fn\d\d\d\d\d съответства на част от факултетните номера
• M\w\w\w\w\sT\w\w\sP\w\w\w\w\w би хванало Mityo The Python
• s..m съответства на spam и sram

В Python

В Python се ползва модулът re

import re

>>> import re

>>> re.search('spam', 'gmail')

>>> re.search('s..m', 'spam')

<_sre.sre_match>

>>> re.search('\\d\\d', 'asnwer: 42')

<_sre.sre_match>

Още детайли

• Операторът | в регулярните изрази означава това отляво или това отдясно
• (c|h)at намира cat и hat
• ^ съвпада с началото на низа. ^oo ще намери oop, но не и foo.
• $ съвпада с края на низа. ar$ ще намери bar, но не и argh.

Повторения

• ? означава, че да го има 0 или 1 пъти
• + означава, че нещо може да го има един или повече пъти
• * означава, че нещо може да го има нула или много пъти
• {x, y} означава, че нещо може да го има от x до y пъти

Примери:

\d{8}

fn\d+

\d{1,2}\.\d{1,2}.\d{4}

route\d*

Класове

• Класовете съответстват на някакво множество от символи.
• Бележат се с [].
• [chr]at съответства на cat, hat и rat.
• Могат да включват и последователности от символи - [a-z0-8] съответства на малка буква или цифра, без 9
• Ако започва с ^, класът се интерпретира като отрицание на символите вътре - [^A-Z] съответства на нещо, което не е голяма буква

Област

Върнатия от search обект има методи start, end и span.

>>> import re

>>> text = 'Bla bla bla mityo blabla bla'

>>> match = re.search(r'mityo', text)

>>> match.span()

(12, 17)

>>> match.start(), match.end()

12, 17

>>> text[match.start(), match.end()]

'mityo'

Групи

Всички изрази оградени със скоби се запазват в обекта върнат от re.search. Те се наричат групи

>>> import re

>>> match = re.search(r'\w+ (\w+), fn(\d+)',

          'Nickolay Bachiiski, fn43600')

>>> match.group(1)

'Bachiiski'

>>> match.group(2)

'43600'

Субституции

Всички изрази оградени със скоби се запазват в обекта върнат от re.search. Те се наричат групи

>>> import re

>>> re.sub(r':(.*)!', r'!\1?', "I'm a :very big! hacker!")

"I'm a !very big hacker?"

Алчни "квантификатори"

+, * и {x,y} намират максималния брой символи, които могат. Това се нарича "алчно поведение" (greedy). Ако искате да намирате минималния брой, добавете едно ? към края

>>> import re

>>> re.sub(r'(.*)', r'\1',

     'My name is Mityo the Python')

'My name is Mityo the Python'



>>> re.sub(r'(.*?)', r'\1',

     'My name is Mityo the Python')

'My name is Mityo the Python'