In deze tutorial leer je over reguliere expressies (RegEx), en gebruik je de re-module van Python om met RegEx te werken (met behulp van voorbeelden).
Een Re hoekige Ex pression (RegEx) is een reeks tekens die een zoekpatroon definieert. Bijvoorbeeld,
^a… s$
De bovenstaande code definieert een RegEx-patroon. Het patroon is: een willekeurige reeks van vijf letters die begint met een en eindigt met een s .
Een patroon dat is gedefinieerd met RegEx kan worden gebruikt om te matchen met een string.
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
^a… s$ | abs | Geen match |
alias | Bij elkaar passen | |
abyss | Bij elkaar passen | |
Alias | Geen match | |
An abacus | Geen match |
Python heeft een module met de naam reom met RegEx te werken. Hier is een voorbeeld:
import re pattern = '^a… s$' test_string = 'abyss' result = re.match(pattern, test_string) if result: print("Search successful.") else: print("Search unsuccessful.")
Hier hebben we de re.match()functie gebruikt om het patroon binnen de test_string te zoeken. De methode retourneert een match-object als de zoekactie is geslaagd. Zo niet, dan keert het terug None.
Er zijn verschillende andere functies gedefinieerd in de re-module om met RegEx te werken. Laten we, voordat we dat onderzoeken, eerst de reguliere expressies zelf leren kennen.
Als je de basisprincipes van RegEx al kent, ga dan naar Python RegEx.
Geef het patroon op met RegEx
Om reguliere expressies te specificeren, worden metatekens gebruikt. In het bovenstaande voorbeeld zijn ^en $metatekens.
MetaCharacters
Metatekens zijn tekens die op een speciale manier worden geïnterpreteerd door een RegEx-engine. Hier is een lijst met metatekens:
(). $ * +? () () |
() - Vierkante haakjes
Vierkante haken geven een set tekens aan die u wilt matchen.
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
(abc) | a | 1 wedstrijd |
ac | 2 wedstrijden | |
Hey Jude | Geen match | |
abc de ca | 5 wedstrijden |
Komt (abc)hier overeen als de tekenreeks die u probeert te matchen een van de a, bof bevat c.
U kunt ook een reeks tekens opgeven door -tussen vierkante haken te gebruiken.
(a-e)is hetzelfde als(abcde).(1-4)is hetzelfde als(1234).(0-39)is hetzelfde als(01239).
U kunt de tekenset aanvullen (omkeren) door het caret- ^symbool aan het begin van een vierkante haak te gebruiken.
(^abc)betekent elk teken behalve a of b of c.(^0-9)betekent elk niet-cijferig teken.
.- Periode
Een punt komt overeen met elk willekeurig teken (behalve een nieuwe regel '').
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
… | a | Geen match |
ac | 1 wedstrijd | |
acd | 1 wedstrijd | |
acde | 2 overeenkomsten (bevat 4 karakters) |
^- Caret
Het caret-symbool ^wordt gebruikt om te controleren of een string begint met een bepaald teken.
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
^a | a | 1 wedstrijd |
abc | 1 wedstrijd | |
bac | Geen match | |
^ab | abc | 1 wedstrijd |
acb | Geen overeenkomst (begint met amaar niet gevolgd door b) |
$- Dollar
Het dollarteken $wordt gebruikt om te controleren of een string eindigt met een bepaald teken.
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
a$ | a | 1 wedstrijd |
formula | 1 wedstrijd | |
cab | Geen match |
*- Ster
Het stersymbool komt *overeen met nul of meer exemplaren van het patroon dat eraan is overgelaten.
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
ma*n | mn | 1 wedstrijd |
man | 1 wedstrijd | |
maaan | 1 wedstrijd | |
main | Geen overeenkomst ( awordt niet gevolgd door n) |
|
woman | 1 wedstrijd |
+- Plus
Het plusteken komt +overeen met een of meer exemplaren van het patroon dat eraan is overgelaten.
| Uitdrukking | Draad | Op elkaar afgestemd? |
|---|---|---|
ma+n | mn | Geen overeenkomst (geen ateken) |
man | 1 wedstrijd | |
maaan | 1 wedstrijd | |
main | Geen overeenkomst (a wordt niet gevolgd door n) | |
woman | 1 wedstrijd |
? - 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.
Backlash wordt gebruikt om aan verschillende karakters te ontsnappen, inclusief alle metatekens. Als u echter het voorvoegsel r gebruikt, wordt behandelen als een normaal teken.
Voorbeeld 7: onbewerkte tekenreeks met het voorvoegsel r
import re string = ' and are escape sequences.' result = re.findall(r'()', string) print(result) # Output: ('', '')
