Expressões Regulares (RegEx) no Python

Neste tutorial, você aprenderá sobre expressão regular (RegEx) e usará o módulo re do Python com RegEx (com a ajuda de exemplos).

Expressão Regular (RegEx) é uma sequência de caracteres que define o padrão de busca. Por exemplo:

^a...s$

O código acima define o padrão RegEx. O padrão é:comacomeça comsque termina comQualquer string de cinco letras.

Os padrões definidos com RegEx podem ser usados para coincidir com strings.

O Python tem um módulo chamado reRegEx. Aqui está um exemplo:

import re
pattern = '^a...s$'
test_string = 'abyss'
result = re.match(pattern, test_string)
if　result:
　　print("Busca bem-sucedida.")
else:
　　print("Busca não bem-sucedida.")

Aqui, usamos a função re.match() para procurar padrões na string de teste. Se a busca for bem-sucedida, o método retornará um objeto de correspondência. Caso contrário, retornará None.

reO módulo define outras algumas funções que podem ser usadas com RegEx. Antes de discutir, vamos aprender sobre a expressão regular em si.

Se você já conhece os fundamentos da RegEx, vá paraPython RegEx.

Especificar o padrão usando expressão regular

Para especificar uma expressão regular, usamos caracteres meta. No exemplo acima, ^ e $ são caracteres meta.

caracteres meta

Os caracteres meta são interpretados de maneira especial pelo motor de RegEx. Aqui está a lista de caracteres meta:

[]　. ^ $ * +　? {}　() \ |

[] - colchetes

Os colchetes especificam um conjunto de caracteres a serem coincididos.

Aqui, [abc] coincide com, se você quiser coincidir com uma string que contém qualquer a, b ou c.

Você também pode usar-O caractere dentro dos colchetes define um intervalo de caracteres.

• [a-e] é o mesmo que [abcde].

• [1-4] é o mesmo que [1234]

• [0-39] é o mesmo que [01239]

Você pode usar o ^ no início dos colchetes para complementar (inverter) o conjunto de caracteres.

• [^abc] representa excetoaorborcforadoqualquer caractere.

• [^0-9] representa qualquer caractere não numérico.

.- ponto

O ponto . coincide com qualquer caractere único (exceto o caractere de nova linha '\n').

^- sinal de inserção

O sinal de inserção ^ é usado para verificar se a string começa com um caractere específico.

$- dólar

O símbolo de dólar $ é usado para verificar se a stringcomum caractere específicofim.

*- sinal de asterisco

O sinal de asterisco * coincide com*Correspondezero ou maisdo padrão restante.

+- sinal de mais

O sinal de mais + coincide com+Correspondeum ou maisdo padrão restante.

?- sinal de interrogação

O sinal de interrogação ? coincide comzero ou uma ocorrência.do padrão restante.

{}- {

chavesn vezes. Isso significa que pelo menosestilo, e no máximo repetirm vezesestilo.

Vamos tentar outro exemplo. RegEx [0-9]{2, 4} coincide com pelo menos2posição, mas não exceder4posição

|- caractere vertical

O caractere vertical | é usado para exibir alternativas (operador ou).

Aqui, a|b coincide com qualquer sequência que contémaorda letra bString

()- parênteses

Os parênteses () são usados para agrupar subpadrões. Por exemplo, (a|b|c)xz coincide com qualquer sequência queaorborcCorresponde e seguido dedo xzString

\- Barra invertida

A barra invertida \ é usada para escapar de vários caracteres, incluindo todos os caracteres meta. Por exemplo,

\$a se a string contiver $ seguido de a, ele corresponde. Aqui, o motor RegEx não o interpreta de forma especial.

Se não tiver certeza de que um caractere tem um significado especial, coloque-o antes de \ . Isso garante que o caractere não será tratado de forma especial.

Séries especiais

Séries especiais tornam mais fácil escrever padrões comuns. Aqui está uma lista de séries especiais:

\A -se o caractere especificado estiver no início da string, ele corresponde.

\b -se o caractere especificado estiver no início ou no fim da palavra, ele corresponde.

\B-com \b. Se o caractere especificadonão estáao início ou ao fim da palavra, ele corresponde.

\d-Corresponde a qualquer caractere decimal. É equivalente a [0-9]

\D-Corresponde a qualquer caractere não decimal. É equivalente a [^0-9]

\s-Corresponde ao local onde a string contém qualquer caractere de espaço. É equivalente a [ \t\n\r\f\v].

\S-Corresponde ao local onde a string contém qualquer caractere não branco. É equivalente a [^ \t\n\r\f\v].

\w-Corresponde a qualquer caractere alfanumérico (número e letra). É equivalente a [a-zA-Z0-9_]. Aliás, o sublinhado _ também é considerado um caractere alfanumérico.

\W-Corresponde a qualquer caractere não alfanumérico. É equivalente a [^a-zA-Z0-9_]

\Z -Se o caractere especificado estiver no final da string, ele corresponde.

Dica:Para construir e testar expressões regulares, você pode usar ferramentas de teste de RegEx, comoregexEssa ferramenta não só pode ajudar você a criar expressões regulares, mas também a aprender sobre elas.

Agora que você entendeu os fundamentos do RegEx, vamos discutir como usar RegEx no código Python.

Expressões regulares do Python

O Python tem um módulo chamado re para expressões regulares. Para usá-lo, precisamos importar o módulo.

import re

Este módulo define algumas funções e constantes que podem ser usadas com o RegEx.

re.findall()

O método re.findall() retorna uma lista de strings que contém todas as ocorrências correspondentes.

Example1:re.findall()

# Extrair programa de números de uma string
import re
string = 'hello　12　hi　89. Howdy　34'
pattern = '\d'+'
result = re.findall(pattern, string,)　
print(result)
# Saída: ['']12>>> match.groups()89>>> match.groups()34]

Se o padrão não for encontrado, o re.findall() retorna uma lista vazia.

re.split()

O método split divide a string correspondente ao padrão e retorna uma lista de strings que ocorreram a divisão.

Example2:re.split()

import re
string = 'Twelve:12　Eighty nine:89.
pattern = '\d'+'
result = re.split(pattern, string,)　
print(result)
# Saída: ['Twelve:', 'Eighty nine:', '.']

Se o padrão não for encontrado, o re.split() retorna uma lista que contém uma string vazia.

Você pode passar o parâmetro maxsplit para o método re.split(). Isso é o número máximo de divisões que serão feitas.

import re
string = 'Twelve:12　Eighty nine:89　Nine:9.
pattern = '\d'+'
# maxsplit =　1
# Dividir apenas na primeira ocorrência
result = re.split(pattern, string,)　1(　
print(result)
# Saída: ['Twelve:', 'Eighty nine:']89　Nine:9.']

A propósito, o valor padrão de maxsplit é 0; o valor padrão é 0. Isso significa que todos os resultados de divisão são divididos.

re.sub()

Sintaxe do re.sub():

re.sub(pattern, replace, string)

Este método retorna uma string na qual as ocorrências correspondentes são substituídas pelo conteúdo da variável replace.

Example3:re.sub()

# Programas para remover todos os espaços
import re
# String multilinha
string = 'abc　12\
de　23　\n f45　6'
# Correspondência de todos os caracteres de espaço em branco
pattern = '\s+'
# String vazia
replace = ''
new_string = re.sub(pattern, replace, string)　
print(new_string)
# Saída: abc12de23f456

Se o padrão não for encontrado, o re.sub() retorna a string original.

Você pode passarcountComo quarto parâmetro passado para o método re.sub(). Se omitido, o resultado é 0. Isso substituirá todas as ocorrências do item correspondente.

import re
# String multilinha
string = 'abc　12\
de　23　\n f45　6'
# Correspondência de todos os caracteres de espaço em branco
pattern = '\s+'
replace = ''
new_string = re.sub(r'\s'+', replace, string,　1(　
print(new_string)
# Saída:
# abc12de　23
# f45　6

re.subn()

re.subn() é semelhante a re.sub(), esperando que retorne um tupla contendo2um tupla contendo a nova string e a quantidade de substituições feitas.

Example4：re.subn()

# Programas para remover todos os espaços
import re
# String multilinha
string = 'abc　12\
de　23　\n f45　6'
# Correspondência de todos os caracteres de espaço em branco
pattern = '\s+'
# String vazia
replace = ''
new_string = re.subn(pattern, replace, string)　
print(new_string)
# Saída: ('abc12de23f456',　4(

re.search()

O método re.search() aceita dois parâmetros: padrão e string. Este método busca a primeira ocorrência do padrão regex na string.

Se a busca for bem-sucedida, re.search() retorna um objeto de correspondência. Se não, retorna None.

match = re.search(pattern, str)

Example5：re.search()

import re
string = "Python é divertido"
# Verificar se "Python" está no início
match = re.search('\APython', string)
if match:
　　print("padrão encontrado dentro da string")
else:
　　print("padrão não encontrado")　　
# Saída: padrão encontrado dentro da string

Aqui,contém um objeto match.

Objeto de correspondência

Você pode usardir()A função obtém métodos e propriedades do objeto de correspondência.

Alguns métodos e propriedades comuns do objeto de correspondência são:

match.group()

O método group() retorna a parte correspondente da string.

Example6：Objeto de correspondência

import re
string = '39801　356,　2102　1111'
# Três dígitos, seguidos de espaço, dois dígitos
pattern = '(\d{3}) (\d{2})'
# A variável match contém um objeto Match.
match = re.search(pattern, string)　
if match:
　　print(match.group())
else:
　　print("padrão não encontrado")
# Saída:　801　35

Aqui,match

The variable contains a match object.3}) (\d{2}) Our pattern (\d{3}) (\d{2}) have two subgroups (\d{

1(
'801'
2(
'35'
1,　2(
>>> match.group(801>>> match.groups()35('
))
>>> match.group(801>>> match.groups()35('

', ''

)

The start() function returns the index of the beginning of the matched substring. Similarly, end() returns the index of the end of the matched substring. match.start(), match.end() and match.span()
2
>>> match.start()
8

>>> match.end()

The span() function returns a tuple containing the start and end indices of the matched part.
>>> match.span()2,　8(

)

The re attribute of the match object returns a regular expression object. Similarly, the string attribute returns the passed string. match.re and match.string

>>> match.re
re.compile('(\\d{3}) (\d{2})'
>>> match.string
'39801　356,　2102　1111'

We have introduced all the commonly used methods defined in the re module. If you want to learn more information, please visitPython 3 re module.

Use the r prefix before RegEx

If you use the r prefix before the regular expressionrorRthe prefix indicates a raw string. For example, '\n' is a new line, while r'\n' represents two characters: a backslash \ followed by n.

The backslash \ is used to escape various characters, including all meta characters. However, usingrThe prefix \ treats it as a regular character.

Example7Use the r prefix for raw strings

import re
string = '\n and \r are escape sequences.'
result = re.findall(r'[\n\r]', string)　
print(result)
# Output: ['\n', '\r']