|
Опережающие (lookahead) проверки. ФлагиКурс по стандартной библиотеке: https://stepik.org/a/259466?utm_source=proproprogs Рассматриваемые ранее примеры регулярных выражений имеют один существенный недостаток: они способны находить соответствия там, где это не предполагалось. Например, выражение вида: import re text = "подоходный налог" match = re.findall(r"прибыль|обретение|доход", text) print(match) найдет подстроку «доход» в слове «подоходный». Подобные моменты как раз и решаются с помощью проверок. В данном случае для выделения слова «доход» целиком можно воспользоваться проверкой \b – граница слова. Фактически, это набор небуквенных и нецифровых символов. Запишем регулярное выражение в виде: match = re.findall(r"прибыль|обретение|\bдоход\b", text) Теперь слово «подоходный» пропущено и на выходе получаем пустую коллекцию. Но, если добавим в текст это слово: text = "подоходный налог, доход" то оно будет успешно найдено. Вот пример простейшей проверки. Если нужно для всех трех вариантов выполнять такую проверку, то это можно записать так: match = re.findall(r"\bприбыль\b|\bобретение\b|\bдоход\b", text) или проще, с помощью группировки вариантов: match = re.findall(r"\b(?:прибыль|обретение|доход)\b", text) Во втором случае мы используем несохраняющую группировку и для найденных совпадений выполняем проверку на соответствие границы слова. Обратите внимание, проверки не являются частью совпадения строки по шаблону, они лишь проверяют определенные условия, поэтому сам по себе символ \b в строке text не ищется, а определяется граница слова в шаблоне, где он записан. В общем случае, для регулярных выражений доступны следующие проверки:
С простыми символами, в целом, все понятно, а вот опережающие (lookahead) и ретроспективные (lookbehind) проверки требуют отдельного рассмотрения. Начнем с опережающих проверок. Пусть, например, из строки вида: msg = "5 ручек стоит 450 руб." нужно выделять целые числа, после которых записано «руб.». Как раз здесь можно воспользоваться опережающей проверкой со следующим шаблоном: match = re.findall(r"\d+(?=[ ]*руб[.])", msg) print(match) Увидим в консоли результат: ['450'] Обратите внимание, что опережающие проверки (?=…) и (?!...) не включаются в итоговый результат, и мы выделяем только число 450. Также текущая позиция обработки текста будет находиться на пробеле после числа 450. Поэтому, если после опережающей проверки в шаблоне выбрать все оставшиеся символы до конца строки: match = re.findall(r"\d+(?=[ ]*руб[.]).*", msg) то в итоговом результате увидим: ['450 руб.'] Этот шаблон можно расширить на разные слова, записанные после какого-либо числа. Например, так: msg = "5 ручек стоит 450 рублей" match = re.findall(r"\d+(?=[ ]*(?:руб[.]|рубл[яи]|рублей|рублями))", msg) print(match) Теперь после цены можно прописывать разные слова: руб., рубля, рубли, рублей, рублями. Давайте теперь воспользуемся противоположной проверкой и для примера выделим все email вне зоны ru: emails = ["test@example.ser_bal.com", "info@test.ru", "admin@domain.org"] Упрощенный шаблон для обработки каждого элемента этого списка можно записать в следующем виде: for email in emails: match = re.findall(r"[\w\W]+@[\w\W]+[.](?!ru)", email) if match: print(match) Мы здесь не проверяем корректность email-адресов, а лишь оставляем те, что не заканчиваются на «ru». Результатом будет вывод: ['test@example.ser_bal.']
Действительно остались только нужные email, но без окончаний. Мы уже знаем, как это можно поправить. После опережающей проверки выберем все оставшиеся символы. Получим шаблон: match = re.findall(r"[\w\W]+@[\w\W]+[.](?!ru).*", email) со следующим результатом его работы: ['test@example.ser_bal.com']
Конечно, в данном конкретном случае, решить эту задачу можно было бы гораздо проще вообще без регулярных выражений, обычными методами обработки строк языка Python: for email in emails: if not email.endswith(".ru"): print(email) Этот пример хорошо показывает, что регулярные выражения не следует применять везде и всюду, а вначале оценить, насколько их применение в программе оправданно. Здесь приведен лишь учебный пример для понимания работы опережающей проверки. Давайте рассмотрим несколько более сложный пример. Пусть имеется текст, из которого нужно выделить email-адреса вне зоны «ru»: text = ''' Напишите Сергею на email: sergey.balakirev@bagoogle.com. Возможно, он ответит вам, если ваш email guest89@mail.ru! Но для надежности связи лучше укажите альтернативный admin.test@gmail.com в зоне com. С наилучшими пожеланиями, ваш верный друг! ''' Шаблон можно прописать следующим образом: match = re.findall(r"\b[a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+[.](?!ru)[a-zA-Z]{2,}\b", text, re.MULTILINE) print(match) Здесь мы в пределах границ слова «\b» выделяем сначала фрагмент до символа «@», затем фрагмент после символа «@» до последней точки. И если после нее не записано «ru», то фрагмент считается верным и продолжается выделение домена шаблоном [a-zA-Z]{2,}. Получаем следующий результат выделения email-адресов: ['sergey.balakirev@bagoogle.com', 'admin.test@gmail.com'] Вот уже эту задачу решить без регулярных выражений было бы куда сложнее, поэтому здесь применение модуля re вполне оправдано. Следует отметить, что длинные конструкции регулярных выражений можно записывать в несколько строк, сопровождая их комментариями. Например, так: match = re.findall(r"\b[a-zA-Z0-9._-]+" # выделение фрагмента до символа @ r"@" # символ @ r"[a-zA-Z0-9._-]+" # выделение фрагмента после символа @ r"[.]" # проверка наличия последней точки r"(?!ru)" # после не должно быть фрагмента "ru" r"[a-zA-Z]{2,}\b", # выделение доменной зоны text, re.MULTILINE) # флаг обработки многострочного текста Или можно записать, как обычную многострочную строку с указанием дополнительного флага re.VERBOSE: match = re.findall(r'''\b[a-zA-Z0-9._-]+ # выделение фрагмента до символа @ @ # символ @ [a-zA-Z0-9._-]+ # выделение фрагмента после символа @ [.] # проверка наличия последней точки (?!ru) # после не должно быть фрагмента "ru" [a-zA-Z]{2,}\b # выделение доменной зоны ''', text, re.MULTILINE|re.VERBOSE) # флаг обработки многострочного текста Флаги регулярных выраженийВообще регулярные выражения модуля re поддерживают следующие флаги:
Флаги также можно указывать и непосредственно внутри выражения, используя синтаксис: (?flags), где flags – один или несколько флагов. Причем, их имена, следующие:
и записываются в самом начале, например, так: text = "Python, python, PYTHON" match = re.findall(r"(?im)python", text) print(match) Мы здесь включили два флага: re.IGNORECASE и re.MULTILINE. Благодаря первому, в строке находятся все три совпадения со словом python: ['Python', 'python', 'PYTHON'] На следующем занятии мы продолжим тему проверок и подробно рассмотрим работу ретроспективных позитивных и негативных проверок. Курс по стандартной библиотеке: https://stepik.org/a/259466?utm_source=proproprogs Видео по теме |
