|
Квантификаторы регулярных выраженийПродолжаем тему регулярных выражений и на этом занятии поговорим о квантификаторах. В общем виде они записываются в виде (без пробелов): {m,n} где m – минимальное число совпадений с выражением; n – максимальное число совпадений с выражением. Например: import re text = "Google, Gooogle, Goooooogle" match = re.findall(r"o{2,5}", text) print(match) Здесь будут выделены следующие комбинации: "Google, Gooogle, Goooooogle" Обратите внимание, по умолчанию квантификатор находит наиболее длинные последовательности. Про такой режим еще говорят, что он жадный или мажорный. В противоположность ему есть другой, минорный режим работы. В этом случае ищутся последовательности минимальной длины, удовлетворяющие шаблону. Для перевода квантификатора в минорный режим после него записывается символ вопроса: match = re.findall(r"o{2,5}?", text) В результате получим вхождения: ['oo', 'oo', 'oo', 'oo', 'oo'] которые образуются так: "Google, Gooogle, Goooooogle" Краткие формы записи квантификаторовКвантификаторы можно записывать и в кратких формах, например:
Разумеется, для последних двух форм также можно использовать минорный режим: {m,}? {,n}? Например: text = "Google, Gooogle, Goooooogle" match = re.findall(r"Go{2,}gle", text) Будет находить все записи слова «Google» с двумя символами ‘o’ и более. Или, так: text = "Google, Gooogle, Goooooogle" match = re.findall(r"Go{,4}gle", text) Найдет первые два слова, последнее не соответствует шаблону. И, наконец, такой пример: phone = "89123456789" match = re.findall(r"8\d{10}", phone) выделяет телефонные номера с первой цифрой 8 и следующими 10 цифрами. Для квантификаторов {0,} и {1,} существуют специальные символы:
Все эти сокращения также можно использовать в минорном режиме: ?? *? +? Первое сокращение можно реализовать так: text = "стеклянный, стекляный" match = re.findall(r"стеклянн?ый", text) Будут найдены оба слова, т.к. знак вопроса после второго символа н говорит, что он не обязательно может присутствовать в слове. Далее, допустим у нас имеется строка с данными: text = "author=Пушкин А.С.; title = Евгений Онегин; price =200; year= 2001" и мы хотим выполнить парсинг (разбор) по ключам и значениям. Это можно реализовать так: match = re.findall(r"\w+\s*=\s*[^;]+", text) на выходе получим следующий список: ['author=Пушкин А.С.', 'title = Евгений Онегин', 'price =200', 'year= 2001'] Конечно, в данном конкретном случае этот же список можно получить гораздо проще: d = text.split(";") print(d) Но, в регулярных выражениях мы, во-первых, точно определяем шаблон данных: ключ=значение. И, во-вторых, с этими данными можно выполнять тонкую обработку, например, сразу выделить и ключ и значение: match = re.findall(r"(\w+)\s*=\s*([^;]+)", text) В результате, получим список кортежей: [('author', 'Пушкин А.С.'), ('title', 'Евгений Онегин'), ('price', '200'), ('year', '2001')] О том, что такое круглые скобки и как они работают, мы поговорим позже. Здесь я просто хотел показать преимущество регулярных выражений перед обычными строковыми методами. Далее рассмотрим примеры минорных квантификаторов. Часто это бывает необходимо при разборе HTML-документа. Например, у нас имеется следующий текст: text = "Картинка <img src='bg.jpg'> в тексте</p>" и мы хотим выделить фрагмент с тегом <img …>. Если записать выражение так: match = re.findall(r"<img.*>", text) то результат будет следующий: "<img src='bg.jpg'> в тексте</p>" Видите, мажорный квантификатор дошел до последней угловой скобки и захватил «лишнюю» часть текста. Решить эту задачу можно несколькими способами. В самом простом случае записать минорный квантификатор: match = re.findall(r"<img.*?>", text) тогда результатом будет строка: "<img src='bg.jpg'>" Или же, можно указать символьный класс, не содержащий угловую скобку: match = re.findall(r"<img[^>]*>", text) Результат будет тем же. И здесь может возникнуть вопрос: какой вариант регулярного выражения лучше? В действительности, оба могут быть использованы. Далее, вы увидите еще много таких случаев, когда одно и то же решение может быть реализовано различными выражениями. Умение составлять короткие и понятные шаблоны – это часть искусства программирования. И, как любое искусство, его постижение приходит с опытом и длится всю жизнь. Здесь я лишь показываю основные моменты, кирпичики языка регулярных выражений, но умение использовать их на практике приходит только с опытом. Поэтому, больше программируйте, тренируйтесь, развивайтесь и только это приведет вас к желаемым результатам. А теория – это лишь основа, отправная точка для дальнейшего развития. И мы продолжаем ее изучение. Теперь, смотрите. Оба приведенных варианта, с точки зрения HTML-разметки могут приводить к некорректным результатам, например, просто записи тега <img> Это неверная строка, т.к. у этого тега обязательно должен присутствовать атрибут src: <img src="путь к картинке"> Давайте улучшим наше выражение, чтобы оно учитывало этот атрибут. Это можно сделать так: match = re.findall(r"<img\s+[^>]*?src\s*=\s*[^>]*>", text) Мы здесь берем начало тега <img, затем, обязательно должен идти один или несколько пробелов, далее, могут быть записаны другие атрибуты, потом указываем, что должен быть атрибут src, за которым следует символ = и, затем, идем до ближайшей закрывающей скобки. Такой вариант регулярного выражения будет корректно выделять разные теги img: "<p>Картинка
<img alt='картинка' src='bg.jpg'> в тексте</p>"
Но, вот такие варианты зафиксированы не будут: "<img>"
И другие, где нет атрибута src. Видео по теме |
