Σε αυτό το σεμινάριο, θα μάθετε σχετικά με τις κανονικές εκφράσεις (RegEx) και θα χρησιμοποιήσετε τη νέα μονάδα της Python για να εργαστείτε με το RegEx (με τη βοήθεια παραδειγμάτων).
Το Re gular Ex Pression (RegEx) είναι μια ακολουθία χαρακτήρων που καθορίζει ένα μοτίβο αναζήτησης. Για παράδειγμα,
^a… s$
Ο παραπάνω κώδικας καθορίζει ένα μοτίβο RegEx. Το μοτίβο είναι: οποιαδήποτε συμβολοσειρά πέντε γραμμάτων αρχίζει με α και τελειώνει με s .
Ένα μοτίβο που ορίζεται χρησιμοποιώντας RegEx μπορεί να χρησιμοποιηθεί για αντιστοίχιση με μια συμβολοσειρά.
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
^a… s$ | abs | Δεν ταιριάζει |
alias | Αγώνας | |
abyss | Αγώνας | |
Alias | Δεν ταιριάζει | |
An abacus | Δεν ταιριάζει |
Η Python έχει μια ενότητα που ονομάζεται reγια να λειτουργεί με το RegEx. Ακολουθεί ένα παράδειγμα:
import re pattern = '^a… s$' test_string = 'abyss' result = re.match(pattern, test_string) if result: print("Search successful.") else: print("Search unsuccessful.")
Εδώ, χρησιμοποιήσαμε τη re.match()συνάρτηση για αναζήτηση μοτίβου στο test_string. Η μέθοδος επιστρέφει ένα αντικείμενο αντιστοίχισης εάν η αναζήτηση είναι επιτυχής. Εάν όχι, επιστρέφει None.
Υπάρχουν άλλες διάφορες λειτουργίες που ορίζονται στο re module για εργασία με το RegEx. Προτού το διερευνήσουμε αυτό, ας μάθουμε για τις ίδιες τις κανονικές εκφράσεις.
Εάν γνωρίζετε ήδη τα βασικά του RegEx, μεταβείτε στο Python RegEx.
Καθορίστε μοτίβο χρησιμοποιώντας RegEx
Για τον καθορισμό κανονικών εκφράσεων, χρησιμοποιούνται μεταχαρακτήρες. Στο παραπάνω παράδειγμα, ^και $είναι μεταχαρακτήρες.
Μετα-χαρακτήρες
Οι μεταχαρακτήρες είναι χαρακτήρες που ερμηνεύονται με ειδικό τρόπο από μια μηχανή RegEx. Ακολουθεί μια λίστα με μεταχαρακτήρες:
(). $ * +; () () |
() - Αγκύλες
Οι αγκύλες τετραγώνου καθορίζουν ένα σύνολο χαρακτήρων που θέλετε να ταιριάξετε.
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
(abc) | a | 1 αγώνα |
ac | 2 αγώνες | |
Hey Jude | Δεν ταιριάζει | |
abc de ca | 5 αγώνες |
Εδώ, (abc)θα ταιριάζει εάν η συμβολοσειρά που προσπαθείτε να αντιστοιχίσετε περιέχει οποιοδήποτε από τα a, bή c.
Μπορείτε επίσης να καθορίσετε μια σειρά χαρακτήρων χρησιμοποιώντας -μέσα σε αγκύλες.
(a-e)είναι το ίδιο με(abcde).(1-4)είναι το ίδιο με(1234).(0-39)είναι το ίδιο με(01239).
Μπορείτε να συμπληρώσετε (αναστρέψτε) το σύνολο χαρακτήρων χρησιμοποιώντας το ^σύμβολο καρέ στην αρχή ενός αγκύλη.
(^abc)σημαίνει οποιονδήποτε χαρακτήρα εκτός από a ή b ή c.(^0-9)σημαίνει οποιονδήποτε μη ψηφίο χαρακτήρα.
.- Περίοδος
Η τελεία αντιστοιχεί σε έναν μόνο χαρακτήρα (εκτός από τη νέα γραμμή '').
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
… | a | Δεν ταιριάζει |
ac | 1 αγώνα | |
acd | 1 αγώνα | |
acde | 2 αγώνες (περιέχει 4 χαρακτήρες) |
^- Καρέ
Το σύμβολο καρέ ^χρησιμοποιείται για να ελέγξει εάν μια συμβολοσειρά ξεκινά με έναν συγκεκριμένο χαρακτήρα.
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
^a | a | 1 αγώνα |
abc | 1 αγώνα | |
bac | Δεν ταιριάζει | |
^ab | abc | 1 αγώνα |
acb | Χωρίς αγώνα (ξεκινά με aαλλά δεν ακολουθείται από b) |
$- Δολάριο
Το σύμβολο του δολαρίου $χρησιμοποιείται για να ελέγξει εάν μια συμβολοσειρά τελειώνει με έναν συγκεκριμένο χαρακτήρα.
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
a$ | a | 1 αγώνα |
formula | 1 αγώνα | |
cab | Δεν ταιριάζει |
*- Αστέρι
Το σύμβολο αστεριού *ταιριάζει με μηδέν ή περισσότερες εμφανίσεις του μοτίβου που αφήνεται σε αυτό.
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
ma*n | mn | 1 αγώνα |
man | 1 αγώνα | |
maaan | 1 αγώνα | |
main | Χωρίς αγώνα ( aδεν ακολουθείται από n) |
|
woman | 1 αγώνα |
+- Συν
Το σύμβολο συν +ταιριάζει με μία ή περισσότερες εμφανίσεις του μοτίβου που αφήνεται σε αυτό.
| Εκφραση | Σειρά | Αντιστοίχιση; |
|---|---|---|
ma+n | mn | Χωρίς αγώνα (χωρίς aχαρακτήρα) |
man | 1 αγώνα | |
maaan | 1 αγώνα | |
main | Χωρίς αγώνα (το α δεν ακολουθείται από το n) | |
woman | 1 αγώνα |
? - Question Mark
The question mark symbol ? matches zero or one occurrence of the pattern left to it.
| Expression | String | Matched? |
|---|---|---|
ma?n | mn | 1 match |
man | 1 match | |
maaan | No match (more than one a character) |
|
main | No match (a is not followed by n) | |
woman | 1 match |
() - Braces
Consider this code: (n,m). This means at least n, and at most m repetitions of the pattern left to it.
| Expression | String | Matched? |
|---|---|---|
a(2,3) | abc dat | No match |
abc daat | 1 match (at daat) |
|
aabc daaat | 2 matches (at aabc and daaat) |
|
aabc daaaat | 2 matches (at aabc and daaaat) |
Let's try one more example. This RegEx (0-9)(2, 4) matches at least 2 digits but not more than 4 digits
| Expression | String | Matched? |
|---|---|---|
(0-9)(2,4) | ab123csde | 1 match (match at ab123csde) |
12 and 345673 | 3 matches (12, 3456, 73) |
|
1 and 2 | No match |
| - Alternation
Vertical bar | is used for alternation (or operator).
| Expression | String | Matched? |
|---|---|---|
a|b | cde | No match |
ade | 1 match (match at ade) |
|
acdbea | 3 matches (at acdbea) |
Here, a|b match any string that contains either a or b
() - Group
Parentheses () is used to group sub-patterns. For example, (a|b|c)xz match any string that matches either a or b or c followed by xz
| Expression | String | Matched? |
|---|---|---|
(a|b|c)xz | ab xz | No match |
abxz | 1 match (match at abxz) |
|
axz cabxz | 2 matches (at axzbc cabxz) |
- Backslash
Backlash is used to escape various characters including all metacharacters. For example,
$a match if a string contains $ followed by a. Here, $ is not interpreted by a RegEx engine in a special way.
If you are unsure if a character has special meaning or not, you can put in front of it. This makes sure the character is not treated in a special way.
Special Sequences
Special sequences make commonly used patterns easier to write. Here's a list of special sequences:
A - Matches if the specified characters are at the start of a string.
| Expression | String | Matched? |
|---|---|---|
Athe | the sun | Match |
In the sun | No match |
- Matches if the specified characters are at the beginning or end of a word.
| Expression | String | Matched? |
|---|---|---|
foo | football | Match |
a football | Match | |
afootball | No match | |
foo | the foo | Match |
the afoo test | Match | |
the afootest | No match |
B - Opposite of . Matches if the specified characters are not at the beginning or end of a word.
| Expression | String | Matched? |
|---|---|---|
Bfoo | football | No match |
a football | No match | |
afootball | Match | |
fooB | the foo | No match |
the afoo test | No match | |
the afootest | Match |
d - Matches any decimal digit. Equivalent to (0-9)
| Expression | String | Matched? |
|---|---|---|
d | 12abc3 | 3 matches (at 12abc3) |
Python | No match |
D - Matches any non-decimal digit. Equivalent to (^0-9)
| Expression | String | Matched? |
|---|---|---|
D | 1ab34"50 | 3 matches (at 1ab34"50) |
1345 | No match |
s - Matches where a string contains any whitespace character. Equivalent to ( fv).
| Expression | String | Matched? |
|---|---|---|
s | Python RegEx | 1 match |
PythonRegEx | No match |
S - Matches where a string contains any non-whitespace character. Equivalent to (fv).
| Expression | String | Matched? |
|---|---|---|
S | a b | 2 matches (at a b) |
| No match |
w - Matches any alphanumeric character (digits and alphabets). Equivalent to (a-zA-Z0-9_). By the way, underscore _ is also considered an alphanumeric character.
| Expression | String | Matched? |
|---|---|---|
w | 12&": ;c | 3 matches (at 12&": ;c) |
%"> ! | No match |
W - Matches any non-alphanumeric character. Equivalent to (^a-zA-Z0-9_)
| Expression | String | Matched? |
|---|---|---|
W | 1a2%c | 1 match (at 1a2%c) |
Python | No match |
- Matches if the specified characters are at the end of a string.
| Expression | String | Matched? |
|---|---|---|
Python | I like Python | 1 match |
I like Python Programming | No match | |
Python is fun. | No match |
Tip: To build and test regular expressions, you can use RegEx tester tools such as regex101. This tool not only helps you in creating regular expressions, but it also helps you learn it.
Now you understand the basics of RegEx, let's discuss how to use RegEx in your Python code.
Python RegEx
Python has a module named re to work with regular expressions. To use it, we need to import the module.
import re
The module defines several functions and constants to work with RegEx.
re.findall()
The re.findall() method returns a list of strings containing all matches.
Example 1: re.findall()
# Program to extract numbers from a string import re string = 'hello 12 hi 89. Howdy 34' pattern = 'd+' result = re.findall(pattern, string) print(result) # Output: ('12', '89', '34')
If the pattern is not found, re.findall() returns an empty list.
re.split()
The re.split method splits the string where there is a match and returns a list of strings where the splits have occurred.
Example 2: re.split()
import re string = 'Twelve:12 Eighty nine:89.' pattern = 'd+' result = re.split(pattern, string) print(result) # Output: ('Twelve:', ' Eighty nine:', '.')
If the pattern is not found, re.split() returns a list containing the original string.
You can pass maxsplit argument to the re.split() method. It's the maximum number of splits that will occur.
import re string = 'Twelve:12 Eighty nine:89 Nine:9.' pattern = 'd+' # maxsplit = 1 # split only at the first occurrence result = re.split(pattern, string, 1) print(result) # Output: ('Twelve:', ' Eighty nine:89 Nine:9.')
By the way, the default value of maxsplit is 0; meaning all possible splits.
re.sub()
The syntax of re.sub() is:
re.sub(pattern, replace, string)
The method returns a string where matched occurrences are replaced with the content of replace variable.
Example 3: re.sub()
# Program to remove all whitespaces import re # multiline string string = 'abc 12 de 23 f45 6' # matches all whitespace characters pattern = 's+' # empty string replace = '' new_string = re.sub(pattern, replace, string) print(new_string) # Output: abc12de23f456
If the pattern is not found, re.sub() returns the original string.
You can pass count as a fourth parameter to the re.sub() method. If omited, it results to 0. This will replace all occurrences.
import re # multiline string string = 'abc 12 de 23 f45 6' # matches all whitespace characters pattern = 's+' replace = '' new_string = re.sub(r's+', replace, string, 1) print(new_string) # Output: # abc12de 23 # f45 6
re.subn()
The re.subn() is similar to re.sub() expect it returns a tuple of 2 items containing the new string and the number of substitutions made.
Example 4: re.subn()
# Program to remove all whitespaces import re # multiline string string = 'abc 12 de 23 f45 6' # matches all whitespace characters pattern = 's+' # empty string replace = '' new_string = re.subn(pattern, replace, string) print(new_string) # Output: ('abc12de23f456', 4)
re.search()
The re.search() method takes two arguments: a pattern and a string. The method looks for the first location where the RegEx pattern produces a match with the string.
If the search is successful, re.search() returns a match object; if not, it returns None.
match = re.search(pattern, str)
Example 5: re.search()
import re string = "Python is fun" # check if 'Python' is at the beginning match = re.search('APython', string) if match: print("pattern found inside the string") else: print("pattern not found") # Output: pattern found inside the string
Here, match contains a match object.
Match object
You can get methods and attributes of a match object using dir() function.
Some of the commonly used methods and attributes of match objects are:
match.group()
The group() method returns the part of the string where there is a match.
Example 6: Match object
import re string = '39801 356, 2102 1111' # Three digit number followed by space followed by two digit number pattern = '(d(3)) (d(2))' # match variable contains a Match object. match = re.search(pattern, string) if match: print(match.group()) else: print("pattern not found") # Output: 801 35
Here, match variable contains a match object.
Our pattern (d(3)) (d(2)) has two subgroups (d(3)) and (d(2)). You can get the part of the string of these parenthesized subgroups. Here's how:
>>> match.group(1) '801' >>> match.group(2) '35' >>> match.group(1, 2) ('801', '35') >>> match.groups() ('801', '35')
match.start(), match.end() and match.span()
The start() function returns the index of the start of the matched substring. Similarly, end() returns the end index of the matched substring.
>>> match.start() 2 >>> match.end() 8
The span() function returns a tuple containing start and end index of the matched part.
>>> match.span() (2, 8)
match.re and match.string
The re attribute of a matched object returns a regular expression object. Similarly, string attribute returns the passed string.
>>> match.re re.compile('(\d(3)) (\d(2))') >>> match.string '39801 356, 2102 1111'
We have covered all commonly used methods defined in the re module. If you want to learn more, visit Python 3 re module.
Using r prefix before RegEx
When r or R prefix is used before a regular expression, it means raw string. For example, '' is a new line whereas r'' means two characters: a backslash followed by n.
Το Backlash χρησιμοποιείται για τη διαφυγή διαφόρων χαρακτήρων, συμπεριλαμβανομένων όλων των μεταχαρακτήρων. Ωστόσο, η χρήση του προθέματος r κάνει τη θεραπεία ως φυσιολογικό χαρακτήρα.
Παράδειγμα 7: Ακατέργαστη συμβολοσειρά χρησιμοποιώντας πρόθεμα r
import re string = ' and are escape sequences.' result = re.findall(r'()', string) print(result) # Output: ('', '')
