Регулярное выражение — это последовательность символов, используемая для поиска и замены текста в строке или файле

Регулярные выражения используют два типа символов:

  • специальные символы: как следует из названия, у этих символов есть специальные значения. Аналогично символу *, который как правило означает «любой символ» (но в регулярных выражениях работает немного иначе, о чем поговорим ниже);

  • литералы (например: a, b, 1, 2 и т. д.).


In [1]:
# Реализовано тут
import re

In [3]:
help(re)


Help on module re:

NAME
    re - Support for regular expressions (RE).

DESCRIPTION
    This module provides regular expression matching operations similar to
    those found in Perl.  It supports both 8-bit and Unicode strings; both
    the pattern and the strings being processed can contain null bytes and
    characters outside the US ASCII range.
    
    Regular expressions can contain both special and ordinary characters.
    Most ordinary characters, like "A", "a", or "0", are the simplest
    regular expressions; they simply match themselves.  You can
    concatenate ordinary characters, so last matches the string 'last'.
    
    The special characters are:
        "."      Matches any character except a newline.
        "^"      Matches the start of the string.
        "$"      Matches the end of the string or just before the newline at
                 the end of the string.
        "*"      Matches 0 or more (greedy) repetitions of the preceding RE.
                 Greedy means that it will match as many repetitions as possible.
        "+"      Matches 1 or more (greedy) repetitions of the preceding RE.
        "?"      Matches 0 or 1 (greedy) of the preceding RE.
        *?,+?,?? Non-greedy versions of the previous three special characters.
        {m,n}    Matches from m to n repetitions of the preceding RE.
        {m,n}?   Non-greedy version of the above.
        "\\"     Either escapes special characters or signals a special sequence.
        []       Indicates a set of characters.
                 A "^" as the first character indicates a complementing set.
        "|"      A|B, creates an RE that will match either A or B.
        (...)    Matches the RE inside the parentheses.
                 The contents can be retrieved or matched later in the string.
        (?aiLmsux) Set the A, I, L, M, S, U, or X flag for the RE (see below).
        (?:...)  Non-grouping version of regular parentheses.
        (?P<name>...) The substring matched by the group is accessible by name.
        (?P=name)     Matches the text matched earlier by the group named name.
        (?#...)  A comment; ignored.
        (?=...)  Matches if ... matches next, but doesn't consume the string.
        (?!...)  Matches if ... doesn't match next.
        (?<=...) Matches if preceded by ... (must be fixed length).
        (?<!...) Matches if not preceded by ... (must be fixed length).
        (?(id/name)yes|no) Matches yes pattern if the group with id/name matched,
                           the (optional) no pattern otherwise.
    
    The special sequences consist of "\\" and a character from the list
    below.  If the ordinary character is not on the list, then the
    resulting RE will match the second character.
        \number  Matches the contents of the group of the same number.
        \A       Matches only at the start of the string.
        \Z       Matches only at the end of the string.
        \b       Matches the empty string, but only at the start or end of a word.
        \B       Matches the empty string, but not at the start or end of a word.
        \d       Matches any decimal digit; equivalent to the set [0-9] in
                 bytes patterns or string patterns with the ASCII flag.
                 In string patterns without the ASCII flag, it will match the whole
                 range of Unicode digits.
        \D       Matches any non-digit character; equivalent to [^\d].
        \s       Matches any whitespace character; equivalent to [ \t\n\r\f\v] in
                 bytes patterns or string patterns with the ASCII flag.
                 In string patterns without the ASCII flag, it will match the whole
                 range of Unicode whitespace characters.
        \S       Matches any non-whitespace character; equivalent to [^\s].
        \w       Matches any alphanumeric character; equivalent to [a-zA-Z0-9_]
                 in bytes patterns or string patterns with the ASCII flag.
                 In string patterns without the ASCII flag, it will match the
                 range of Unicode alphanumeric characters (letters plus digits
                 plus underscore).
                 With LOCALE, it will match the set [0-9_] plus characters defined
                 as letters for the current locale.
        \W       Matches the complement of \w.
        \\       Matches a literal backslash.
    
    This module exports the following functions:
        match     Match a regular expression pattern to the beginning of a string.
        fullmatch Match a regular expression pattern to all of a string.
        search    Search a string for the presence of a pattern.
        sub       Substitute occurrences of a pattern found in a string.
        subn      Same as sub, but also return the number of substitutions made.
        split     Split a string by the occurrences of a pattern.
        findall   Find all occurrences of a pattern in a string.
        finditer  Return an iterator yielding a match object for each match.
        compile   Compile a pattern into a RegexObject.
        purge     Clear the regular expression cache.
        escape    Backslash all non-alphanumerics in a string.
    
    Some of the functions in this module takes flags as optional parameters:
        A  ASCII       For string patterns, make \w, \W, \b, \B, \d, \D
                       match the corresponding ASCII character categories
                       (rather than the whole Unicode categories, which is the
                       default).
                       For bytes patterns, this flag is the only available
                       behaviour and needn't be specified.
        I  IGNORECASE  Perform case-insensitive matching.
        L  LOCALE      Make \w, \W, \b, \B, dependent on the current locale.
        M  MULTILINE   "^" matches the beginning of lines (after a newline)
                       as well as the string.
                       "$" matches the end of lines (before a newline) as well
                       as the end of the string.
        S  DOTALL      "." matches any character at all, including the newline.
        X  VERBOSE     Ignore whitespace and comments for nicer looking RE's.
        U  UNICODE     For compatibility only. Ignored for string patterns (it
                       is the default), and forbidden for bytes patterns.
    
    This module also defines an exception 'error'.

CLASSES
    builtins.Exception(builtins.BaseException)
        sre_constants.error
    
    class error(builtins.Exception)
     |  Common base class for all non-exit exceptions.
     |  
     |  Method resolution order:
     |      error
     |      builtins.Exception
     |      builtins.BaseException
     |      builtins.object
     |  
     |  Methods defined here:
     |  
     |  __init__(self, msg, pattern=None, pos=None)
     |      Initialize self.  See help(type(self)) for accurate signature.
     |  
     |  ----------------------------------------------------------------------
     |  Data descriptors defined here:
     |  
     |  __weakref__
     |      list of weak references to the object (if defined)
     |  
     |  ----------------------------------------------------------------------
     |  Methods inherited from builtins.Exception:
     |  
     |  __new__(*args, **kwargs) from builtins.type
     |      Create and return a new object.  See help(type) for accurate signature.
     |  
     |  ----------------------------------------------------------------------
     |  Methods inherited from builtins.BaseException:
     |  
     |  __delattr__(self, name, /)
     |      Implement delattr(self, name).
     |  
     |  __getattribute__(self, name, /)
     |      Return getattr(self, name).
     |  
     |  __reduce__(...)
     |      helper for pickle
     |  
     |  __repr__(self, /)
     |      Return repr(self).
     |  
     |  __setattr__(self, name, value, /)
     |      Implement setattr(self, name, value).
     |  
     |  __setstate__(...)
     |  
     |  __str__(self, /)
     |      Return str(self).
     |  
     |  with_traceback(...)
     |      Exception.with_traceback(tb) --
     |      set self.__traceback__ to tb and return self.
     |  
     |  ----------------------------------------------------------------------
     |  Data descriptors inherited from builtins.BaseException:
     |  
     |  __cause__
     |      exception cause
     |  
     |  __context__
     |      exception context
     |  
     |  __dict__
     |  
     |  __suppress_context__
     |  
     |  __traceback__
     |  
     |  args

FUNCTIONS
    compile(pattern, flags=0)
        Compile a regular expression pattern, returning a pattern object.
    
    escape(pattern)
        Escape all the characters in pattern except ASCII letters, numbers and '_'.
    
    findall(pattern, string, flags=0)
        Return a list of all non-overlapping matches in the string.
        
        If one or more capturing groups are present in the pattern, return
        a list of groups; this will be a list of tuples if the pattern
        has more than one group.
        
        Empty matches are included in the result.
    
    finditer(pattern, string, flags=0)
        Return an iterator over all non-overlapping matches in the
        string.  For each match, the iterator returns a match object.
        
        Empty matches are included in the result.
    
    fullmatch(pattern, string, flags=0)
        Try to apply the pattern to all of the string, returning
        a match object, or None if no match was found.
    
    match(pattern, string, flags=0)
        Try to apply the pattern at the start of the string, returning
        a match object, or None if no match was found.
    
    purge()
        Clear the regular expression caches
    
    search(pattern, string, flags=0)
        Scan through string looking for a match to the pattern, returning
        a match object, or None if no match was found.
    
    split(pattern, string, maxsplit=0, flags=0)
        Split the source string by the occurrences of the pattern,
        returning a list containing the resulting substrings.  If
        capturing parentheses are used in pattern, then the text of all
        groups in the pattern are also returned as part of the resulting
        list.  If maxsplit is nonzero, at most maxsplit splits occur,
        and the remainder of the string is returned as the final element
        of the list.
    
    sub(pattern, repl, string, count=0, flags=0)
        Return the string obtained by replacing the leftmost
        non-overlapping occurrences of the pattern in string by the
        replacement repl.  repl can be either a string or a callable;
        if a string, backslash escapes in it are processed.  If it is
        a callable, it's passed the match object and must return
        a replacement string to be used.
    
    subn(pattern, repl, string, count=0, flags=0)
        Return a 2-tuple containing (new_string, number).
        new_string is the string obtained by replacing the leftmost
        non-overlapping occurrences of the pattern in the source
        string by the replacement repl.  number is the number of
        substitutions that were made. repl can be either a string or a
        callable; if a string, backslash escapes in it are processed.
        If it is a callable, it's passed the match object and must
        return a replacement string to be used.
    
    template(pattern, flags=0)
        Compile a template pattern, returning a pattern object

DATA
    A = <RegexFlag.ASCII: 256>
    ASCII = <RegexFlag.ASCII: 256>
    DOTALL = <RegexFlag.DOTALL: 16>
    I = <RegexFlag.IGNORECASE: 2>
    IGNORECASE = <RegexFlag.IGNORECASE: 2>
    L = <RegexFlag.LOCALE: 4>
    LOCALE = <RegexFlag.LOCALE: 4>
    M = <RegexFlag.MULTILINE: 8>
    MULTILINE = <RegexFlag.MULTILINE: 8>
    S = <RegexFlag.DOTALL: 16>
    U = <RegexFlag.UNICODE: 32>
    UNICODE = <RegexFlag.UNICODE: 32>
    VERBOSE = <RegexFlag.VERBOSE: 64>
    X = <RegexFlag.VERBOSE: 64>
    __all__ = ['match', 'fullmatch', 'search', 'sub', 'subn', 'split', 'fi...

VERSION
    2.2.1

FILE
    c:\users\user\anaconda3\lib\re.py



In [ ]:
re.match()  # Try to apply the pattern at the start of the string, returning a match object, or None if no match was found.

re.search() # Scan through string looking for a match to the pattern, returning a match object, or None if no match was found.

re.findall() # Return a list of all non-overlapping matches in the string.
re.split() # Split the source string by the occurrences of the pattern, returning a list containing the resulting substrings.
re.sub()  # Return the string obtained by replacing the leftmost non-overlapping occurrences of the pattern in string by the 
          #replacement repl
re.compile() # Чтобы собрать регулярки в отдельный объект

re.match(pattern, string):

Этот метод ищет по заданному шаблону в начале строки. Например, если мы вызовем метод match() на строке «AV Analytics AV» с шаблоном «AV», то он завершится успешно. Однако если мы будем искать «Analytics», то результат будет отрицательный. Давайте посмотрим на его работу:

In [25]:
result = re.match('AV', 'AV Analytics Vidhya')
print (result)


<_sre.SRE_Match object; span=(0, 2), match='AV'>

In [23]:
print (result.start()) # начало и конец найденной подстроки
print (result.end())


0
2

In [28]:
result.group(0) # что именно


Out[28]:
'AV'

In [33]:
result = re.match(r'Analytics', 'AV Analytics Vidhya AV') 
print (result)


None

re.search(pattern, string):

Этот метод похож на match(), но он ищет не только в начале строки. В отличие от предыдущего, search() вернет объект, если мы попытаемся найти «Analytics». Метод search() ищет по всей строке, но возвращает только первое найденное совпадение.

In [36]:
result = re.search(r'AV', 'AV Analytics Vidhya AV')
print (result.group(0))


AV

In [37]:
result


Out[37]:
<_sre.SRE_Match object; span=(0, 2), match='AV'>

re.findall(pattern, string):

Этот метод возвращает список всех найденных совпадений. У метода findall() нет ограничений на поиск в начале или конце строки. Если мы будем искать «AV» в нашей строке, он вернет все вхождения «AV». Для поиска рекомендуется использовать именно findall(), так как он может работать и как re.search(), и как re.match().

In [39]:
result = re.findall(r'AV', 'AV Analytics Vidhya AV')

In [40]:
result


Out[40]:
['AV', 'AV']

re.split(pattern, string, [maxsplit=0]):


In [42]:
result = re.split(r'y', 'Analytics')
print (result)


['Anal', 'tics']
В примере мы разделили слово «Analytics» по букве «y». Метод split() принимает также аргумент maxsplit со значением по умолчанию, равным 0. В данном случае он разделит строку столько раз, сколько возможно, но если указать этот аргумент, то разделение будет произведено не более указанного количества раз. Давайте посмотрим на примеры:

In [43]:
result = re.split(r'i', 'Analytics Vidhya')
print (result) # все возможные участки.


['Analyt', 'cs V', 'dhya']

In [45]:
result = re.split(r'i', 'Analytics Vidhya',maxsplit=1)
print (result)


['Analyt', 'cs Vidhya']

re.sub(pattern, repl, string):

Этот метод ищет шаблон в строке и заменяет его на указанную подстроку. Если шаблон не найден, строка остается неизменной.

In [47]:
result = re.sub(r'India', 'the World', 'AV is largest Analytics community of India')
print (result)


AV is largest Analytics community of the World

re.compile(pattern, repl, string):

Мы можем собрать регулярное выражение в отдельный объект, который может быть использован для поиска. Это также избавляет от переписывания одного и того же выражения.

In [49]:
pattern = re.compile('AV')
result = pattern.findall('AV Analytics Vidhya AV')
print (result)


['AV', 'AV']

In [51]:
result2 = pattern.findall('AV is largest analytics community of India')
print (result2)


['AV']
До сих пор мы рассматривали поиск определенной последовательности символов. Но что, если у нас нет определенного шаблона, и нам надо вернуть набор символов из строки, отвечающий определенным правилам?
Оператор Описание \w Любая цифра или буква (\W — все, кроме буквы или цифры) \d Любая цифра [0-9] (\D — все, кроме цифры) \s Любой пробельный символ (\S — любой непробельнй символ) \b Граница слова \A соответствует началу текста. \Z соответствует концу текста. \B соответствует границе не слова (re.ASCII) [..] Один из символов в скобках ([^..] — любой символ, кроме тех, что в скобках) [0-9] любая цифра [a-яА-ЯёЁ] любая русская буква [a-zA-Z] любая англ. [^3] не цифра 3 \ Экранирование специальных символов (\. означает точку или \+ — знак «плюс») ^ и $ Начало и конец строки соответственно {n,m} От n до m вхождений ({,m} — от 0 до m) a|b Соответствует a или b () Группирует выражение и возвращает найденный текст \t, \n, \r Символ табуляции, новой строки и возврата каретки соответственно ^ если первый символ в классе, то инверсия. - если не первый символ в классе, то диапазон. re.I (ignore case) Сопоставление без учета регистра; Например, [A-Z] будет также соответствовать и строчным буквам, так что Spam будет соответствовать Spam, spam, spAM и так далее. re.M (multi-line)( .Обычно ^ ищет соответствие только в начале строки, а $ только в конце непосредственно перед символом новой строки (если таковые имеются). Если этот флаг указан, ^ сравнение происходит во всех строках, то есть и в начале, и сразу же после каждого символа новой строки. Аналогично для $. re.S (dot matches all) Сопоставление, такое же как '.', то есть с любым символом, но при включении этого флага, в рассмотрение добавляется и символ новой строки. re.X (verbose) Включает многословные (подробные) регулярные выражения, которые могут быть организованы более ясно и понятно. Если указан этот флаг, пробелы в строке регулярного выражения игнорируется, кроме случаев, когда они имеются в классе символов или им предшествует неэкранированный бэкслеш; это позволяет вам организовать регулярные выражения более ясным образом. Этот флаг также позволяет помещать в регулярные выражения комментарии, начинающиеся с '#', которые будут игнорироваться движком.

Определение количества вхождений

. Один любой символ, кроме новой строки \n. ? 0 или 1 вхождение шаблона слева + 1 и более вхождений шаблона слева * 0 и более вхождений шаблона слева e? или e{0,1} Максимальный, соответствует нулевому или большему числу вхождений выражения e e?? или e{0,1}? Минимальный, соответствует нулевому или большему числу вхождений выражения e e+ или e{1,} Максимальный, соответствует одному или больше вхождению выражения e e+? или e{1,}? Минимальный, соответствует одному или больше вхождению выражения e e* или e{0,} Максимальный, соответствует нулевому или большему числу вхождений выражения e e*? или e{0,}? Минимальный, соответствует нулевому или большему числу вхождений выражения e e{m} Соответствует точно m вхождениям выражения e e{m,} Максимальный, соответствует по меньшей мере m вхождениям выражения e e{m,}? Минимальный, соответствует по меньшей мере m вхождениям выражения e e{,n} Максимальный, соответствует не более чем n вхождениям выражения e e{,n}? Минимальный, соответствует не более чем n вхождениям выражения e e{m,n} Максимальный, соответствует не менее чем m и не более чем n вхождениям выражения e e{m,n}? Минимальный, соответствует не менее чем m и не более чем n вхождениям выражения e

In [28]:
import re

c = re.compile(r'[0-9]+?')
str = '32 43 23423424'
print(re.findall(c, str))


['3', '2', '4', '3', '2', '3', '4', '2', '3', '4', '2', '4']

In [4]:
# Пример 1. Как получить все числа из строки

price = '324234dfgdg34234DFDJ343'
b = "[a-zA-Z]*" # регулярное выражение для последовательности букв любой длины
nums = re.sub(b,"",price)
print (nums)


32423434234343

Задача 1


In [ ]:
#попробуем вытащить каждый символ (используя .)

In [ ]:
# в конечный результат не попал пробел

In [ ]:
# Теперь вытащим первое слово

In [ ]:
# А теперь вытащим первое слово

Задача 2


In [64]:
#используя \w, вытащить два последовательных символа, кроме пробельных, из каждого слова

In [ ]:
# вытащить два последовательных символа, используя символ границы слова (\b)

Задача 3

вернуть список доменов из списка адресов электронной почты


In [ ]:
#Сначала вернем все символы после «@»:

In [107]:
str = 'abc.test@gmail.com, xyz@test.in, test.first@analyticsvidhya.com, first.test@rest.biz 111@asd.ry@@'

In [108]:
#Если части «.com», «.in» и т. д. не попали в результат. Изменим наш код:

In [109]:
# вытащить только домен верхнего уровня, используя группировку — ( )

In [110]:
# Получить список почтовых адресов

Задача 4:


In [ ]:
# Извлечь дату из строки

In [ ]:
str = 'Amit 34-3456 12-05-2007, XYZ 56-4532 11-11-2011, ABC 67-8945 12-01-2009'

In [79]:
#А теперь только года, с помощью скобок и группировок:

Задача 5


In [80]:
#Извлечь все слова, начинающиеся на гласную. Но сначала получить все слова (\b - границы слов)

Задача 6:

Проверить телефонный номер (номер должен быть длиной 10 знаков и начинаться с 8 или 9)


In [81]:
li = ['9999999999', '999999-999', '99999x9999']

for val in li:
    print()




Задача 7:

Разбить строку по нескольким разделителям


In [ ]:
line = 'asdf fjdk;afed,fjek,asdf,foo' # String has multiple delimiters (";",","," ").

Жадный против нежадного

При повторении в РВ, таком как a*, результирующее действие съедает настолько большую часть шаблона, насколько это возможно. На этом часто обжигаются те, кто хочет найти пару симметричных определителей, таких как угловые скобки <>, окружающие HTML-теги. Наивный подход к шаблону сопоставления тега HTML не будет работать из-за «жадного» характера .*:

In [69]:
s = '<html><head><title>Title</title>'
print (len(s))


32

In [71]:
print (re.match('<.*>', s).span())


(0, 32)

In [72]:
print (re.match('<.*>', s).group())


<html><head><title>Title</title>
В таком случае, решение заключается в использовании нежадных определителей *?, +?, ?? или {m,n}?, которые сопоставляют так мало текста, как это возможно. В примере выше, будет выбран первый символ '>' после '<', и только, если не получится, движок будет продолжать попытки найти символ '>' на следующей позиции, в зависимости от того, как длинно имя тега. Это дает нужный результат:

In [ ]:
print re.match('<.*?>', s).group()

In [73]:
c = re.compile(r'\d+')
str = '0123456789'
tuples = re.findall(c, str)
print(tuples)


['0123456789']

In [74]:
#Но как сделать так, чтобы получить каждой отдельное число

Разное

Просмотр с возращением

# (?=e) - совпадение обнаруживается, усли текст справа от позиции проверки соответствует выражению e, при этом изменения позиции поиска в тексте не происходит. Эта проверка называется опережающей проверкой, или позитивной опережающей проверкой. Например выражение: \w+(?=\s+) найдет слово, за которым стоит один или несколько пробельных символов. (?!e) - совпадение обнаруживается, если текст справа от позиции проверки не соответствует выражению e, при этом изменения позиции поиска в тексте не происходит. Эта проверка называется негативной опережающей проверкой. (?<=e) - совпадение обнаруживается, если текст слева от позиции проверки соответствует выражению e, эта проверка называется позитивной ретроспективной проверкой. (?

In [6]:
#(?=...) - положительный просмотр вперед

s = "textl, text2, textЗ text4"
p = re.compile(r"\w+(?=[,])", re.S | re.I) # все слова, после которых есть запятая
print (p.findall(s))


['textl', 'text2']

In [12]:
#(?!...) - отрицательный просмотр вперед
import re
s = "textl, text2, textЗ text4"
p = re.compile(r"[a-z]+[0-9](?![,])", re.S | re.I) # все слова, после которых нет запятой
print(p.findall(s))


['text4']

In [4]:
#(?<=...) - положительный просмотр назад
import re
s = "textl, text2, textЗ text4"
p = re.compile(r"(?<=[,][ ])([a-z]+[0-9])", re.S | re.I) # все слова, перед которыми есть запятая с пробелм
print (p.findall(s) )


['text2']

In [9]:
#(?<!...) - отрицательный просмотр назад

s = "textl, text2, textЗ text4"
p = re.compile(r"(?<![,]) ([a-z]+[0-9])", re.S | re.I) # все слова, перед которыми есть пробел но нет запятой
print (p.findall(s))


['text4']

In [14]:
#Дано текст: 
str = 'ruby python 456 java 789 j2not clash2win'
#Задача: Найти все упоминания языков программирования в строке.
pattern = 'ruby|java|python|c#|fortran|c\+\+'
string = 'ruby python 456 java 789 j2not clash2win'
re.findall(pattern, string)


Out[14]:
['ruby', 'python', 'java']

Определитесь, нужны ли вам регулярные выражения для данной задачи. Возможно, получится гораздо быстрее, если вы примените другой способ решения.


In [ ]: