Регулярные выражения

Мы уже установили, что Python — отличная среда для обработки текста. Еще один мощный инструмент для обработки текста — регулярные выражения, часто сокращенно называемые regex или regexp. Это способ выбирать и искать строки, которые следуют определенному шаблону. В этом разделе представлены основы регулярных выражений, но гораздо больше информации можно найти онлайн, в том числе в руководстве Python.

Что такое регулярные выражения?

Регулярные выражения — это не только возможность Python. В некотором смысле они представляют собой язык программирования внутри языка программирования. В определенной степени они совместимы во многих разных языках программирования. У регулярных выражений есть собственный особый синтаксис. Идея в том, чтобы определить набор строк, которые следуют определенным правилам.

Начнем с простого примера, прежде чем углубляться в синтаксис:

import re

words = ["Python", "Pantone", "Pontoon", "Pollute", "Pantheon"]

for word in words:
    # the string should begin with "P" and end with "on"
    if re.search("^P.*on$", word):
        print(word, "found!")

Чтобы использовать регулярные выражения в Python, нужно импортировать модуль re. Модуль re содержит много функций для работы с регулярными выражениями. В примере выше функция search принимает два строковых аргумента: строку с шаблоном и целевую строку, в которой ищется шаблон.

Этот второй пример ищет любые числа в строке. Функция findall возвращает список всех фрагментов, которые соответствуют шаблону:

import re

sentence = "First, 2 !#third 44 five 678xyz962"

numbers = re.findall("\d+", sentence)

for number in numbers:
    print(number)

Синтаксис регулярных выражений

Познакомимся с базовым синтаксисом регулярных выражений. Большинство следующих примеров используют эту тестовую программу:

import re

expression = input("Please type in an expression: ")

while True:
    input_string = input("Please type in a string: ")
    if input_string == "":
        break
    if re.search(expression, input_string):
        print("Found!")
    else:
        print("Not found.")

Альтернативные подстроки

Вертикальная черта |, также называемая символом pipe, позволяет искать альтернативные подстроки. Поэтому ее значение — или. Например, выражение 911|112 соответствует строкам, которые содержат либо подстроку 911, либо подстроку 112.

Пример с тестовой программой:

Группы символов

Квадратные скобки используются для обозначения групп допустимых символов. Например, выражение [aeio] соответствовало бы всем строкам, которые содержат любой из символов a, e, i или o.

Дефис также можно использовать для сопоставления диапазонов символов. Например, выражение [0-68a-d] соответствовало бы всем строкам, которые содержат цифру от 0 до 6, либо восьмерку, либо символ от a до d. В этой записи все диапазоны включительные.

Объединение двух наборов скобок позволяет сопоставить два последовательных символа. Например, выражение [1-3][0-9] соответствовало бы любому двузначному числу от 10 до 39 включительно.

Пример с тестовой программой:

Повторяющиеся совпадения

Любую часть выражения можно повторять с помощью следующих операторов:

• * повторяет любое количество раз, включая ноль
• + повторяет любое количество раз, но как минимум один раз
• {m} повторяет ровно m раз

Эти операторы работают с частью выражения, которая находится непосредственно перед оператором. Например, выражение ba+b соответствовало бы подстрокам bab, baab и baaaaaaaaaaab, среди прочих. Выражение A[BCDE]*Z соответствовало бы подстрокам AZ, ADZ или ABCDEBCDEBCDEZ, среди прочих.

Пример с тестовой программой:

Другие специальные символы

Точка — это подстановочный символ, который может соответствовать любому одному символу. Например, выражение c...o соответствовало бы любой пятисимвольной подстроке, начинающейся с c и заканчивающейся на o, например c-3po или cello.

Символ ^ задает, что совпадение должно находиться в начале строки, а $ задает, что совпадение должно находиться в конце строки. Их также можно использовать, чтобы исключить из совпадений любые символы, кроме указанных:

Иногда нужно сопоставлять специальные символы, зарезервированные для синтаксиса регулярных выражений. Обратную косую черту \ можно использовать, чтобы экранировать специальные символы. Так, выражение 1+ соответствует одному или нескольким числам 1, а выражение 1\+ соответствует строке 1+.

Круглые скобки можно использовать для группировки разных частей выражения. Например, выражение (ab)+c соответствовало бы подстрокам abc, ababc и ababababababc, но не строкам ac или bc, потому что вся подстрока ab должна появиться хотя бы один раз.

Большой финал

Чтобы завершить эту часть материала, поработаем еще немного с объектами и классами, создав чуть более обширную программу. Это упражнение не обязательно связано с регулярными выражениями, но разделы о функциях как аргументах и генераторах списков, скорее всего, будут полезны.

Также вам может помочь набор примеров из части 10.

Ответьте, пожалуйста, на короткий опрос по этой части курса.

Текущие баллы можно посмотреть в синем индикаторе в правом нижнем углу страницы.