Wyrażenia regularne to potężne narzędzie do wyszukiwania, analizy i manipulacji tekstem. Umożliwiają one definiowanie wzorców tekstowych, które można następnie odnaleźć w ciągach znaków. Wyrażenia regularne są często wykorzystywane do:
- Wyszukiwania określonych ciągów znaków w tekście.
- Weryfikacji poprawności formatu danych (np. adresy e-mail).
- Zastępowania fragmentów tekstu innymi ciągami.
Przykład: Wyszukiwanie wszystkich słów zaczynających się od abc lub składających się wyłącznie z małych liter oraz cyfr parzystych.
Rozważmy sytuację, w której mamy plik tekstowy, gdzie każdy wiersz zawiera trzy informacje oddzielone ukośnikami: nazwisko pracownika, datę odczytu oraz odczyt licznika. Chcemy wyciągnąć datę z każdego wiersza:
dane = 'Kowalski/Maj 15, 1983/1721.3'
# Klasyczne podejście z wykorzystaniem funkcji klasy String:
pracownik, data, odczyt = dane.split('/')
miesiac, dzien, rok = data.split(' ')
dzien = dzien.rstrip(',')
print(f'{miesiac}, {dzien}, {rok}') # Maj, 15, 1983
Chociaż rozwiązanie działa, jest dość kruche. Jeżeli struktura danych się zmieni, musimy dostosować algorytm. Wyrażenia regularne oferują bardziej uniwersalne podejście:
import re
dane = 'Kowalski/Maj 15, 1983/1721.3'
pattern = r'([^/]*)/([^,]*), ([^/]*)/([^/]*)'
match = re.match(pattern, dane)
miesiac, dzien, rok = match.group(2).split()
print(f'{miesiac}, {dzien}, {rok}') # Maj, 15, 1983
Moduł re
w Pythonie udostępnia funkcje do pracy z wyrażeniami regularnymi, takie jak match
, search
, split
, czy sub
. Specjalne znaki w wyrażeniach regularnych, takie jak .
(dowolny znak), *
(dowolna liczba powtórzeń), czy [a-z]
(dowolna mała litera), pozwalają na definiowanie skomplikowanych wzorców do wyszukiwania tekstu.
Wyrażenia regularne wykorzystują różne znaki specjalne, aby definiować skomplikowane wzorce tekstu. Poniżej przedstawiam najważniejsze z nich:
.
- Reprezentuje dowolny znak, z wyjątkiem nowego wiersza.\d
- Oznacza jedną cyfrę.\D
- Oznacza dowolny znak, który nie jest cyfrą.\s
- Reprezentuje biały znak (np. spacja, tabulacja, nowy wiersz).\S
- Oznacza dowolny znak, który nie jest białym znakiem.\w
- Oznacza dowolny znak alfanumeryczny, co obejmuje litery, cyfry oraz znak podkreślenia (_).\W
- Oznacza dowolny znak, który nie jest znakiem alfanumerycznym.[]
- Określa zbiór znaków. Na przykład,[abc]
pasuje do każdego z znaków: a, b, lub c.^
- Oznacza początek wiersza.$
- Oznacza koniec wiersza.|
- Reprezentuje operator "lub". Na przykład,abc|def
pasuje do ciągu "abc" lub "def".()
- Tworzy grupę. Może być używane do izolowania fragmentów wzorca, na przykład(abc){3}
pasuje do "abcabcabc".*
- Oznacza zero lub więcej powtórzeń poprzedniego znaku lub grupy. Na przykład,a*
może pasować do "", "a", "aa", "aaa" itp.+
- Oznacza jedno lub więcej powtórzeń.?
- Oznacza zero lub jedno powtórzenie.{m,n}
- Określa zakres powtórzeń od m do n. Na przykład,a{2,4}
pasuje do "aa", "aaa" lub "aaaa".
Praca z wyrażeniami regularnymi może być skomplikowana. Aby uprościć ten proces, warto postępować zgodnie z następującym schematem:
- Definiowanie wzorca: Zacznij od stworzenia najprostszej wersji wyrażenia regularnego pasującą do twojego problemu.
- Testowanie: Upewnij się, że twój wzorzec znajduje dokładnie to, co chcesz, bez wyników fałszywie pozytywnych.
- Grupowanie: Jeśli potrzebujesz odwoływać się do konkretnych fragmentów dopasowania, wykorzystaj nawiasy
()
do utworzenia grup. - Rozszerzenie wzorca: W miarę potrzeb, rozbudowuj swój wzorzec, dodając kolejne elementy i specjalne znaki.
- Przeprowadzanie testów: Przetestuj wyrażenie na różnych przypadkach testowych, zarówno tych typowych, jak i skrajnych.
Zawsze testuj dokładnie wyrażenia regularne przed wdrożeniem w produkcyjnym kodzie.