Регулярные выражения в Python от простого к сложному

Решил я давеча моим школьникам дать задачек на регулярные выражения для изучения. А к задачкам нужна какая-нибудь теория. И стал я искать хорошие тексты на русском. Пяток сносных нашёл, но всё не то. Что-то смято, что-то упущено. У этих текстов был не только фатальный недостаток. Мало картинок, мало примеров. И почти нет разумных задач. Ну неужели поиск IP-адреса — это самая частая задача для регулярных выражений? Вот и я думаю, что нет.

Про разницу (?:...) / (...) фиг найдёшь, а без этого знания в некоторых случаях можно только страдать.

Плюс в питоне есть немало регулярных плюшек. Например, re.split может добавлять тот кусок текста, по которому был разрез, в список частей. А в re.sub можно вместо шаблона для замены передать функцию. Это — реальные вещи, которые прямо очень нужны, но никто про это не пишет.

Так и родился этот достаточно многобуквенный материал с подробностями, тонкостями, картинками и задачами.

Надеюсь, вам удастся из него извлечь что-нибудь новое и полезное, даже если вы уже в ладах с регулярками.

PS. Решения задач школьники сдают в тестирующую систему, поэтому задачи оформлены в несколько формальном виде.

Содержание

Регулярные выражения в Python от простого к сложному;

Содержание;

Примеры регулярных выражений;

Сила и ответственность;

Документация и ссылки;

Основы синтаксиса;

Шаблоны, соответствующие одному символу;

Квантификаторы (указание количества повторений);

Жадность в регулярках и границы найденного шаблона;

Пересечение подстрок;

Эксперименты в песочнице;

Регулярки в питоне;

Пример использования всех основных функций;

Тонкости экранирования в питоне ('\\\\\\\\foo');

Использование дополнительных флагов в питоне;

Написание и тестирование регулярных выражений;

Задачи — 1;

Скобочные группы (?:...) и перечисления |;

Перечисления (операция «ИЛИ»);

Скобочные группы (группировка плюс квантификаторы);

Скобки плюс перечисления;

Ещё примеры;

Задачи — 2;

Группирующие скобки (...) и match-объекты в питоне;

Match-объекты;

Группирующие скобки (...);

Тонкости со скобками и нумерацией групп.;

Группы и re.findall;

Группы и re.split;

Использование групп при заменах;

Замена с обработкой шаблона функцией в питоне;

Ссылки на группы при поиске;

Задачи — 3;

Шаблоны, соответствующие не конкретному тексту, а позиции;

Простые шаблоны, соответствующие позиции;

Сложные шаблоны, соответствующие позиции (lookaround и Co);

lookaround на примере королей и императоров Франции;

Задачи — 4;

Post scriptum;

Регулярное выражение — это строка, задающая шаблон поиска подстрок в тексте. Одному шаблону может соответствовать много разных строчек. Термин «Регулярные выражения» является переводом английского словосочетания «Regular expressions». Перевод не очень точно отражает смысл, правильнее было бы «шаблонные выражения». Регулярное выражение, или коротко «регулярка», состоит из обычных символов и специальных командных последовательностей. Например, \d задаёт любую цифру, а \d+ — задает любую последовательность из одной или более цифр. Работа с регулярками реализована во всех современных языках программирования. Однако существует несколько «диалектов», поэтому функционал регулярных выражений может различаться от языка к языку. В некоторых языках программирования регулярками пользоваться очень удобно (например, в питоне), в некоторых — не слишком (например, в C++).

Примеры регулярных выражений

Регулярка Её смысл

simple text В точности текст «simple text»

\d{5} Последовательности из 5 цифр

\d означает любую цифру

{5} — ровно 5 раз

\d\d/\d\d/\d{4} Даты в формате ДД/ММ/ГГГГ

(и прочие куски, на них похожие, например, 98/76/5432)

\b\w{3}\b Слова в точности из трёх букв

\b означает границу слова

(с одной стороны буква, а с другой — нет)

\w — любая буква,

{3} — ровно три раза

[-+]?\d+ Целое число, например, 7, +17, -42, 0013 (возможны ведущие нули)

[-+]? — либо -, либо +, либо пусто

\d+ — последовательность из 1 или более цифр

[-+]?(?:\d+(?:\.\d*)?|\.\d+)(?:[eE][-+]?\d+)? Действительное число, возможно в экспоненциальной записи

Например, 0.2, +5.45, -.4, 6e23, -3.17E-14.

См. ниже картинку.

Сила и ответственность

Регулярные выражения, или коротко, регулярки — это очень мощный инструмент. Но использовать их следует с умом и осторожностью, и только там, где они действительно приносят пользу, а не вред. Во-первых, плохо написанные регулярные выражения работают медленно. Во-вторых, их зачастую очень сложно читать, особенно если регулярка написана не лично тобой пять минут назад. В-третьих, очень часто даже небольшое изменение задачи (того, что требуется найти) приводит к значительному изменению выражения. Поэтому про регулярки часто говорят, что это write only code (код, который только пишут с нуля, но не читают и не правят). А также шутят: Некоторые люди, когда сталкиваются с проблемой, думают «Я знаю, я решу её с помощью регулярных выражений.» Теперь у них две проблемы. Вот пример write-only регулярки (для проверки валидности e-mail адреса (не надо так делать!!!)):

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|

2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

А вот здесь более точная регулярка для проверки корректности email адреса стандарту RFC822. Если вдруг будете проверять email, то не делайте так!Если адрес вводит пользователь, то пусть вводит почти что угодно, лишь бы там была собака. Надёжнее всего отправить туда письмо и убедиться, что пользователь может его получить.

Документация и ссылки

Оригинальная документация: https://docs.python.org/3/library/re.html;

Очень подробный и обстоятельный материал: https://www.regular-expressions.info/;

Разные сложные трюки и тонкости с примерами: http://www.rexegg.com/;

Он-лайн отладка регулярок https://regex101.com (не забудьте поставить галочку Python в разделе FLAVOR слева);

Он-лайн визуализация регулярок https://www.debuggex.com/ (не забудьте выбрать Python);

Могущественный текстовый редактор Sublime text 3, в котором очень удобный поиск по регуляркам;

Основы синтаксиса

Любая строка (в которой нет символов .^$*+?{}[]\|()) сама по себе является регулярным выражением. Так, выражению Хаха будет соответствовать строка “Хаха” и только она. Регулярные выражения являются регистрозависимыми, поэтому строка “хаха” (с маленькой буквы) уже не будет соответствовать выражению выше. Подобно строкам в языке Python, регулярные выражения имеют спецсимволы .^$*+?{}[]\|(), которые в регулярках являются управляющими конструкциями. Для написания их просто как символов требуется их экранировать, для чего нужно поставить перед ними знак \. Так же, как и в питоне, в регулярных выражения выражение \n соответствует концу строки, а \t — табуляции.

Шаблоны, соответствующие одному символу

Во всех примерах ниже соответствия регулярному выражению выделяются бирюзовым цветом с подчёркиванием.

Шаблон Описание Пример Применяем к тексту

. Один любой символ, кроме новой строки \n. м.л.ко молоко, малако,

Им0л0коИхлеб

\d Любая цифра СУ\d\d СУ35, СУ111, АЛСУ14

\D Любой символ, кроме цифры 926\D123 926)123, 1926-1234

\s Любой пробельный символ (пробел, табуляция, конец строки и т.п.) бор\sода бор ода, бор

ода, борода

\S Любой непробельный символ \S123 X123, я123, !123456, 1 + 123456

\w Любая буква (то, что может быть частью слова), а также цифры и _ \w\w\w Год, f_3, qwert

\W Любая не-буква, не-цифра и не подчёркивание сом\W сом!, сом?

[..] Один из символов в скобках,

а также любой символ из диапазона a-b [0-9][0-9A-Fa-f] 12, 1F, 4B

[^..] Любой символ, кроме перечисленных <[^>]> <1>, <a>, <>>

\d≈[0-9],

\D≈[^0-9],

\w≈[0-9a-zA-Z

а-яА-ЯёЁ],

\s≈[ \f\n\r\t\v] Буква “ё” не включается в общий диапазон букв!

Вообще говоря, в \d включается всё, что в юникое помечено как «цифра», а в \w — как буква. Ещё много всего!

[abc-], [-1] если нужен минус, его нужно указать последним или первым

[*[(+\\\]\t] внутри скобок нужно экранировать только ] и \

\b Начало или конец слова (слева пусто или не-буква, справа буква и наоборот).

В отличие от предыдущих соответствует позиции, а не символу \bвал вал, перевал, Перевалка

\B Не граница слова: либо и слева, и справа буквы,

либо и слева, и справа НЕ буквы \Bвал перевал, вал, Перевалка

\Bвал\B перевал, вал, Перевалка

Квантификаторы (указание количества повторений)

Шаблон Описание Пример Применяем к тексту

{n} Ровно n повторений \d{4} 1, 12, 123, 1234, 12345

{m,n} От m до n повторений включительно \d{2,4} 1, 12, 123, 1234, 12345

{m,} Не менее m повторений \d{3,} 1, 12, 123, 1234, 12345

{,n} Не более n повторений \d{,2} 1, 12, 123

? Ноль или одно вхождение, синоним {0,1} валы? вал, валы, валов

* Ноль или более, синоним {0,} СУ\d* СУ, СУ1, СУ12, ...

+ Одно или более, синоним {1,} a\)+ a), a)), a))), ba)])

*?

+?

??

{m,n}?

{,n}?

{m,}? По умолчанию квантификаторы жадные —

захватывают максимально возможное число символов.

Добавление ? делает их ленивыми,

они захватывают минимально возможное число символов \(.*\)

\(.*?\) (a + b) * (c + d) * (e + f)

(a + b) * (c + d) * (e + f)

Жадность в регулярках и границы найденного шаблона

Как указано выше, по умолчанию квантификаторы жадные. Этот подход решает очень важную проблему — проблему границы шаблона. Скажем, шаблон \d+ захватывает максимально возможное количество цифр. Поэтому можно быть уверенным, что перед найденным шаблоном идёт не цифра, и после идёт не цифра. Однако если в шаблоне есть не жадные части (например, явный текст), то подстрока может быть найдена неудачно. Например, если мы хотим найти «слова», начинающиеся на СУ, после которой идут цифры, при помощи регулярки СУ\d*, то мы найдём и неправильные шаблоны:

ПАСУ13 СУ12, ЧТОБЫ СУ6ЕНИЕ УДАЛОСЬ.

В тех случаях, когда это важно, условие на границу шаблона нужно обязательно добавлять в регулярку. О том, как это можно делать, будет дальше.

Пересечение подстрок

В обычной ситуации регулярки позволяют найти только непересекающиеся шаблоны. Вместе с проблемой границы слова это делает их использование в некоторых случаях более сложным. Например, если мы решим искать e-mail адреса при помощи неправильной регулярки \w+@\w+ (или даже лучше, [\w'._+-]+@[\w'._+-]+), то в неудачном случае найдём вот что:

foo@boo@goo@moo@roo@zoo

То есть это с одной стороны и не e-mail, а с другой стороны это не все подстроки вида текст-собака-текст, так как boo@goo и moo@roo пропущены.

Эксперименты в песочнице

Если вы впервые сталкиваетесь с регулярными выражениями, то лучше всего сначала попробовать песочницу. Посмотрите, как работают простые шаблоны и квантификаторы. Решите следующие задачи для этого текста (возможно, к части придётся вернуться после следующей теории):

Найдите все натуральные числа (возможно, окружённые буквами);

Найдите все «слова», написанные капсом (то есть строго заглавными), возможно внутри настоящих слов (аааБББввв);

Найдите слова, в которых есть русская буква, а когда-нибудь за ней цифра;

Найдите все слова, начинающиеся с русской или латинской большой буквы (\b — граница слова);

Найдите слова, которые начинаются на гласную (\b — граница слова);;

Найдите все натуральные числа, не находящиеся внутри или на границе слова;

Найдите строчки, в которых есть символ * (. — это точно не конец строки!);

Найдите строчки, в которых есть открывающая и когда-нибудь потом закрывающая скобки;

Выделите одним махом весь кусок оглавления (в конце примера, вместе с тегами);

Выделите одним махом только текстовую часть оглавления, без тегов;

Найдите пустые строчки;

Регулярки в питоне

Функции для работы с регулярками живут в модуле re. Основные функции:

Функция Её смысл

re.search(pattern, string) Найти в строке string первую строчку, подходящую под шаблон pattern;

re.fullmatch(pattern, string) Проверить, подходит ли строка string под шаблон pattern;

re.split(pattern, string, maxsplit=0) Аналог str.split(), только разделение происходит по подстрокам, подходящим под шаблон pattern;

re.findall(pattern, string) Найти в строке string все непересекающиеся шаблоны pattern;

re.finditer(pattern, string) Итератор всем непересекающимся шаблонам pattern в строке string (выдаются match-объекты);

re.sub(pattern, repl, string, count=0) Заменить в строке string все непересекающиеся шаблоны pattern на repl;

Пример использования всех основных функций

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

Тонкости экранирования в питоне ('\\\\\\\\foo')

Так как символ \ в питоновских строках также необходимо экранировать, то в результате в шаблонах могут возникать конструкции вида '\\\\par'. Первый слеш означает, что следующий за ним символ нужно оставить «как есть». Третий также. В результате с точки зрения питона '\\\\' означает просто два слеша \\. Теперь с точки зрения движка регулярных выражений, первый слеш экранирует второй. Тем самым как шаблон для регулярки '\\\\par' означает просто текст \par. Для того, чтобы не было таких нагромождений слешей, перед открывающей кавычкой нужно поставить символ r, что скажет питону «не рассматривай \ как экранирующий символ (кроме случаев экранирования открывающей кавычки)». Соответственно можно будет писать r'\\par'.

Использование дополнительных флагов в питоне

Каждой из функций, перечисленных выше, можно дать дополнительный параметр flags, что несколько изменит режим работы регулярок. В качестве значения нужно передать сумму выбранных констант, вот они:

Константа Её смысл

re.ASCII По умолчанию \w, \W, \b, \B, \d, \D, \s, \S соответствуют

все юникодные символы с соответствующим качеством.

Например, \d соответствуют не только арабские цифры,

но и вот такие: ٠١٢٣٤٥٦٧٨٩.

re.ASCII ускоряет работу,

если все соответствия лежат внутри ASCII.

re.IGNORECASE Не различать заглавные и маленькие буквы.

Работает медленнее, но иногда удобно

re.MULTILINE Специальные символы ^ и $ соответствуют

началу и концу каждой строки

re.DOTALL По умолчанию символ \n конца строки не подходит под точку.

С этим флагом точка — вообще любой символ

import re

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']

Написание и тестирование регулярных выражений

Для написания и тестирования регулярных выражений удобно использовать сервис https://regex101.com (не забудьте поставить галочку Python в разделе FLAVOR слева) или текстовый редактор Sublime text 3.

Задачи — 1

Задача 01. Регистрационные знаки транспортных средств

Задача 02. Количество слов

Задача 03. Поиск e-mailов

Скобочные группы (?:...) и перечисления |

Перечисления (операция «ИЛИ»)

Чтобы проверить, удовлетворяет ли строка хотя бы одному из шаблонов, можно воспользоваться аналогом оператора or, который записывается с помощью символа |. Так, некоторая строка подходит к регулярному выражению A|B тогда и только тогда, когда она подходит хотя бы к одному из регулярных выражений A или B. Например, отдельные овощи в тексте можно искать при помощи шаблона морковк|св[её]кл|картошк|редиск.

Скобочные группы (группировка плюс квантификаторы)

Зачастую шаблон состоит из нескольких повторяющихся групп. Так, MAC-адрес сетевого устройства обычно записывается как шесть групп из двух шестнадцатиричных цифр, разделённых символами - или :. Например, 01:23:45:67:89:ab. Каждый отдельный символ можно задать как [0-9a-fA-F], и можно весь шаблон записать так:

[0-9a-fA-F]{2}[:-][0-9a-fA-F]{2}[:-][0-9a-fA-F]{2}[:-][0-9a-fA-F]{2}[:-][0-9a-fA-F]{2}[:-][0-9a-fA-F]{2}

Ситуация становится гораздо сложнее, когда количество групп заранее не зафиксировано.

Чтобы разрешить эту проблему в синтаксисе регулярных выражений есть группировка (?:...). Можно писать круглые скобки из без значков ?:, однако от этого у группировки значительно меняется смысл, регулярка начинает работать гораздо медленнее. Об этом будет написано ниже. Итак, если REGEXP — шаблон, то (?:REGEXP) — эквивалентный ему шаблон. Разница только в том, что теперь к (?:REGEXP) можно применять квантификаторы, указывая, сколько именно раз должна повториться группа. Например, шаблон для поиска MAC-адреса, можно записать так:

[0-9a-fA-F]{2}(?:[:-][0-9a-fA-F]{2}){5}

Скобки плюс перечисления

Также скобки (?:...) позволяют локализовать часть шаблона, внутри которой происходит перечисление. Например, шаблон (?:он|тот) (?:шёл|плыл) соответствует каждой из строк «он шёл», «он плыл», «тот шёл», «тот плыл», и является синонимом он шёл|он плыл|тот шёл|тот плыл.

Ещё примеры

Шаблон Применяем к тексту

(?:\w\w\d\d)+ Есть миг29а, ту154б. Некоторые делают даже миг29ту154ил86.

(?:\w+\d+)+ Есть миг29а, ту154б. Некоторые делают даже миг29ту154ил86.

(?:\+7|8)(?:-\d{2,3}){4} +7-926-123-12-12, 8-926-123-12-12

(?:[Хх][аоеи]+)+ Муха — хахахехо, ну хааахооохе, да хахахехохииии! Хам трамвайный.

\b(?:[Хх][аоеи]+)+\b Муха — хахахехо, ну хааахооохе, да хахахехохииии! Хам трамвайный.

Задачи — 2

Задача 04. Замена времени

Задача 05. Действительные числа в паскале

Задача 06. Аббревиатуры

Группирующие скобки (...) и match-объекты в питоне

Match-объекты

Если функции re.search, re.fullmatch не находят соответствие шаблону в строке, то они возвращают None, функция re.finditer не выдаёт ничего. Однако если соответствие найдено, то возвращается match-объект. Эта штука содержит в себе кучу полезной информации о соответствии шаблону. Полный набор атрибутов можно посмотреть в документации, а здесь приведём самое полезное.

Метод Описание Пример

match[0],

match.group() Подстрока, соответствующая шаблону match = re.search(r'\w+', r'$$ What??')

match[0] # -> 'What'

match.start() Индекс в исходной строке, начиная с которого идёт найденная подстрока match = re.search(r'\w+', r'$$ What??')

match.start() # -> 3

match.end() Индекс в исходной строке, который следует сразу за найденной подстрока match = re.search(r'\w+', r'$$ What??')

match.end() # -> 7

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. А именно часть подстроки, которая соответствует (...), а также индексы начала и окончания в исходной строке. Достаточно часто это бывает полезно.

import re

pattern = r'\s*([А-Яа-яЁё]+)(\d+)\s*'

string = r'--- Опять45 ---'

match = re.search(pattern, string)

print(f'Найдена подстрока >{match[0]}< с позиции {match.start(0)} до {match.end(0)}')

print(f'Группа букв >{match[1]}< с позиции {match.start(1)} до {match.end(1)}')

print(f'Группа цифр >{match[2]}< с позиции {match.start(2)} до {match.end(2)}')

###

# -> Найдена подстрока > Опять45 < с позиции 3 до 16

# -> Группа букв >Опять< с позиции 6 до 11

# -> Группа цифр >45< с позиции 11 до 13

Тонкости со скобками и нумерацией групп.

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 примере выше 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

Внутри группирующих скобок могут быть и другие группирующие скобки. В этом случае их нумерация производится в соответствии с номером появления открывающей скобки с шаблоне.

import re

pattern = r'((\d)(\d))((\d)(\d))'

string = r'123456789'

match = re.search(pattern, string)

print(f'Найдена подстрока >{match[0]}< с позиции {match.start(0)} до {match.end(0)}')

for i in range(1, 7):

print(f'Группа №{i} >{match[i]}< с позиции {match.start(i)} до {match.end(i)}')

###

# -> Найдена подстрока >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

Группы и re.findall

Если в шаблоне есть группирующие скобки, то вместо списка найденных подстрок будет возвращён список кортежей, в каждом из которых только соответствие каждой группе. Это не всегда происходит по плану, поэтому обычно нужно использовать негруппирующие скобки (?:...).

import re

print(re.findall(r'([a-z]+)(\d*)', r'foo3, im12, go, 24buz42'))

# -> [('foo', '3'), ('im', '12'), ('go', ''), ('buz', '42')]

Группы и re.split

Если в шаблоне нет группирующих скобок, то re.split работает очень похожим образом на str.split. А вот если группирующие скобки в шаблоне есть, то между каждыми разрезанными строками будут все соответствия каждой из подгрупп.

import re

print(re.split(r'(\s*)([+*/-])(\s*)', r'12 + 13*15 - 6'))

# -> ['12', ' ', '+', ' ', '13', '', '*', '', '15', ' ', '-', ' ', '6']

В некоторых ситуация эта возможность бывает чрезвычайно удобна! Например, достаточно из предыдущего примера убрать лишние группы, и польза сразу стане очевидна!

import re

print(re.split(r'\s*([+*/-])\s*', r'12 + 13*15 - 6'))

# -> ['12', '+', '13', '*', '15', '-', '6']

Использование групп при заменах

Использование групп добавляет замене (re.sub, работает не только в питоне, а почти везде) 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.

Если групп больше 9, то можно ссылаться на них при помощи конструкции вида \g<12>.

Замена с обработкой шаблона функцией в питоне

Ещё одна питоновская фича для регулярных выражений: в функции re.sub вместо текста для замены можно передать функцию, которая будет получать на вход match-объект и должна возвращать строку, на которую и будет произведена замена. Это позволяет не писать ад в шаблоне для замены, а использовать удобную функцию. Например, «зацензурим» все слова, начинающиеся на букву «Х»:

import re

def repl(m):

return '>censored(' + str(len(m[0])) + ')<'

text = "Некоторые хорошие слова подозрительны: хор, хоровод, хороводоводовед."

print(re.sub(r'\b[хХxX]\w*', repl, text))

# -> Некоторые >censored(7)< слова подозрительны: >censored(3)<, >censored(7)<, >censored(15)<.

Ссылки на группы при поиске

При помощи \1, \2, \3, ... и \g<12> можно ссылаться на найденную группу и при поиске. Необходимость в этом встречается довольно редко, но это бывает полезно при обработке простых xml и html.

Только пообещайте, что не будете парсить сложный xml и тем более html при помощи регулярок! Регулярные выражения для этого не подходят. Используйте другие инструменты. Каждый раз, когда неопытный программист парсит html регулярками, в мире умирает котёнок. Если кажется «Да здесь очень простой html, напишу регулярку», то сразу вспоминайте шутку про две проблемы. Не нужно пытаться парсить html регулярками, даже Пётр Митричев не сможет это сделать в общем случае :) Использование регулярных выражений при парсинге html подобно залатыванию резиновой лодки шилом. Закон Мёрфи для парсинга html и xml при помощи регулярок гласит: парсинг html и xml регулярками иногда работает, но в точности до того момента, когда правильность результата будет очень важна.

Используйте lxml и beautiful soup.

import re

text = "SPAM <foo>Here we can <boo>find</boo> something interesting</foo> SPAM"

print(re.search(r'<(\w+?)>.*?</\1>', text)[0])

# -> <foo>Here we can <boo>find</boo> something interesting</foo>

text = "SPAM <foo>Here we can <foo>find</foo> OH, NO MATCH HERE!</foo> SPAM"

print(re.search(r'<(\w+?)>.*?</\1>', text)[0])

# -> <foo>Here we can <foo>find</foo>

Задачи — 3

Задача 07. Шифровка

Задача 08. То ли акростих, то ли акроним, то ли апроним

Задача 09. Хайку

Шаблоны, соответствующие не конкретному тексту, а позиции

Отдельные части регулярного выражения могут соответствовать не части текста, а позиции в этом тексте. То есть такому шаблону соответствует не подстрока, а некоторая позиция в тексте, как бы «между» буквами.

Простые шаблоны, соответствующие позиции

Для определённости строку, в которой мы ищем шаблон будем называть всем текстом.Каждую строчку всего текста (то есть каждый максимальный кусок без символов конца строки) будем называть строчкой текста.

Шаблон Описание Пример Применяем к тексту

^ Начало всего текста или начало строчки текста,

если flag=re.MULTILINE ^Привет

$ Конец всего текста или конец строчки текста,

если flag=re.MULTILINE Будь здоров!$

\A Строго начало всего текста

\Z Строго конец всего текста

\b Начало или конец слова (слева пусто или не-буква, справа буква и наоборот) \bвал вал, перевал, Перевалка

\B Не граница слова: либо и слева, и справа буквы,

либо и слева, и справа НЕ буквы \Bвал перевал, вал, Перевалка

\Bвал\B перевал, вал, Перевалка

Сложные шаблоны, соответствующие позиции (lookaround и Co)

Следующие шаблоны применяются в основном в тех случаях, когда нужно уточнить, что должно идти непосредственно перед или после шаблона, но при этом

не включать найденное в match-объект.

Шаблон Описание Пример Применяем к тексту

(?=...) lookahead assertion, соответствует каждой

позиции, сразу после которой начинается

соответствие шаблону ... Isaac (?=Asimov) Isaac Asimov, Isaac other

(?!...) negative lookahead assertion, соответствует

каждой позиции, сразу после которой

НЕ может начинаться шаблон ... Isaac (?!Asimov) Isaac Asimov, Isaac other

(?<=...) positive lookbehind assertion, соответствует

каждой позиции, которой может заканчиваться шаблон ...

Длина шаблона должна быть фиксированной,

то есть abc и a|b — это ОК, а a* и a{2,3} — нет. (?<=abc)def abcdef, bcdef

(?<!...) negative lookbehind assertion, соответствует

каждой позиции, которой НЕ может

заканчиваться шаблон ... (?<!abc)def abcdef, bcdef

На всякий случай ещё раз. Каждый их этих шаблонов проверяет лишь то, что идёт непосредственно перед позицией или непосредственно после позиции. Если пару таких шаблонов написать рядом, то проверки будут независимы (то есть будут соответствовать AND в каком-то смысле).

lookaround на примере королей и императоров Франции

Людовик(?=VI) — Людовик, за которым идёт VI

КарлIV, КарлIX, КарлV, КарлVI, КарлVII, КарлVIII,

ЛюдовикIX, ЛюдовикVI, ЛюдовикVII, ЛюдовикVIII, ЛюдовикX, ..., ЛюдовикXVIII,

ФилиппI, ФилиппII, ФилиппIII, ФилиппIV, ФилиппV, ФилиппVI

Людовик(?!VI) — Людовик, за которым идёт не VI

КарлIV, КарлIX, КарлV, КарлVI, КарлVII, КарлVIII,

ЛюдовикIX, ЛюдовикVI, ЛюдовикVII, ЛюдовикVIII, ЛюдовикX, ..., ЛюдовикXVIII,

ФилиппI, ФилиппII, ФилиппIII, ФилиппIV, ФилиппV, ФилиппVI

(?<=Людовик)VI — «шестой», но только если Людовик

КарлIV, КарлIX, КарлV, КарлVI, КарлVII, КарлVIII,

ЛюдовикIX, ЛюдовикVI, ЛюдовикVII, ЛюдовикVIII, ЛюдовикX, ..., ЛюдовикXVIII,

ФилиппI, ФилиппII, ФилиппIII, ФилиппIV, ФилиппV, ФилиппVI

(?<!Людовик)VI — «шестой», но только если не Людовик

КарлIV, КарлIX, КарлV, КарлVI, КарлVII, КарлVIII,

ЛюдовикIX, ЛюдовикVI, ЛюдовикVII, ЛюдовикVIII, ЛюдовикX, ..., ЛюдовикXVIII,

ФилиппI, ФилиппII, ФилиппIII, ФилиппIV, ФилиппV, ФилиппVI

Шаблон Комментарий Применяем к тексту

(?<!\d)\d(?!\d) Цифра, окружённая не-цифрами Text ABC 123 A1B2C3!

(?<=#START#).*?(?=#END#) Текст от #START# до #END# text from #START# till #END#

\d+(?=_(?!_)) Цифра, после которой идёт ровно одно подчёркивание 12_34__56

^(?:(?!boo).)*?$ Строка, в которой нет boo

(то есть нет такого символа,

перед которым есть boo) a foo and

boo and zoo

and others

^(?:(?!boo)(?!foo).)*?$ Строка, в которой нет ни boo, ни foo a foo and

boo and zoo

and others

Прочие фичи

Конечно, здесь описано не всё, что умеют регулярные выражения, и даже не всё, что умеют регулярные выражения в питоне. За дальнейшим можно обращаться к этому разделу. Из полезного за кадром осталась компиляция регулярок для ускорения многократного использования одного шаблона, использование именных групп и разные хитрые трюки.

А уж какие извращения можно делать с регулярными выражениями в языке Perl — поручик Ржевский просто отдыхает :)

Задачи — 4

Задача 10. CamelCase -> under_score

Задача 11. Удаление повторов

Задача 12. Близкие слова

Задача 13. Форматирование больших чисел

Задача 14. Разделить текст на предложения

Задача 15. Форматирование номера телефона

Задача 16. Поиск e-mail'ов — 2

Post scriptum

PS. Текст длинный, в нём наверняка есть опечатки и ошибки. Пишите о них скорее в личку, я тут же исправлю.

PSS. Ух и намаялся я нормальный html в хабра-html перегонять. Кажется, парсер хабра писан на регулярках, иначе как объяснить все те странности, которые приходилось вылавливать бинпоиском? :)