正規表現チートシートを作りたい。
よく迷うこと
- 後方参照
- 先読み/後読み・肯定/否定
後方参照
patternで () をつけたものは、その場で使える。
()の順番に\1, \2...として使える。
\1はエスケープされてしまうので、「 r"\1"」のようにrawにする。
re.sub("(\d{8})", r"\1-", "1234567890")
8つ数字を見つけたら、末尾に-を入れて置き換える。
# '12345678-90'
否定肯定先読み後読み
・マッチさせる場所に(?)
・否定か肯定化で!か=
・?< 、 ? は前後で決める
Look Behind
3の後ろに4があるならマッチ
re.sub("3(?=4)", "x", "123456123")
'12x456123'
3の後ろに4がないならマッチ
re.sub("3(?!4)", "x", "123456123")
'12345612x'
Look Ahead
3の前に2があるならマッチ
re.sub("(?<=2)3", "x", "12345613")
'12x45613'
3の前に2がないならマッチ
re.sub("(?<!2)3", "x", "12345613")
'1234561x'
間違いの例 -- 前に持ってきているので全部にマッチしている。
re.sub("(?!2)3", "x", "12345613")
'12x4561x'
---
全てのスニペットでreモジュールをインポートして使います。
import reurlのような文字列にマッチ
content = 'string' # チェックしたいもの
re.search('(https?|ftp)(:*\/*[-_.!~*\'()a-zA-Z0-9;\/?:\@&=+\$,%#]+)', content)回数でマッチ
"テストです \n\n\n\n"のように末尾に\n改行が3つ以上あるとき、2つにしたい"テストです \n \n \n \n"のように スペースがある場合もある。
やり方
正規表現を使ってマッチさせてreplaceする。import re
content1="テストです \n\n\n\n"
content2="テストです \n \n \n \n"
content = content1 # or content2
if re.search('(\n\s*){3,}',content):
content = content.replace(re.search('(\n\s*){3,}',content).group(), '\n\n')
content\nと0回以上(*)の\s(空白)とマッチする、ということ
{3,} は3回以上繰り返しているものとマッチする、ということ
\n\s* は \n(\s)* とかいても同じになる
.group() でマッチしたその部分が出力される。
'テストです \n\n'その2
やりたいこと
ファイル名を作って保存するとき、禁止されている文字が入ることがあるので、それを置き換える。
やり方
ファイル名として禁止されている文字をre.subで置き換える。参考というか丸写し。
http://iori084.blog.fc2.com/blog-entry-16.html
禁止文字は \ / : ? " > < | ということで。 ピリオドも加えてマッチさせます。
content = 'put:some"char?which\are>forbidden as>filename'
re.sub(r'[\\|/|:|?|.|"|<|>|\|]', '_', content)
'put_some_char_which\x07re_forbidden as_filename' その3
'【これを消したい】残すところ【これを消したい】'という2chスレッドタイトル風の文字列があって、re.subでカッコの部分を消したいと思いました。
# 見えるように'X'に置換
# 消すときは'X'を''とする
import re
re.sub('【.*】','X','【これを消したい】残すところ【これを消したい】')が出力されてしまいます。
こういうときは、最短一致の?を使います。非貪欲のマッチとも言います。
re.sub('【.*?】','X','【これを消したい】残すところ【これを消したい】')
'X残すところX'その4 正規表現の肯定的後読み Aが直前にあるBにマッチ
(?<=A)Bやりたいこと: 掲示板のレスで">>103" などにマッチ(>>のあとに数字3桁まで)
問題発生
>> のあとに 1-3個の数字をマッチさせようとして \d{1,3} とするとs ='>>103 somestring'
*error*
re.match('(?<=>>\d{1,3})', s)というエラーが。
英語ではlook-behindらしいですが、先読みは文字数が決まっていないといけないようです。
面倒ですが、d{1},{2},{3}でループして解決しました。
■文末のスペースを消す
\s は 空白文字( スペース、改行、タブ...\f\n\r\t\v) にマッチする
# 文末のスペースを消す
content = re.sub('\s{1,}$','', content)
■大文字小文字を区別しないでマッチする
(?i) というフラグをつける
re.search('(?i).jpg|.png', content)
これでマッチする。content = 'test.Png' とか 'test.JPG'でもOK。jupyterでWarningが出ていたが1回目だけだった。よく理解できなかった・・・。
re.I または re.IGNORECASE
というコマンドでもIGNORECASEフラグを立てられるようだが戻し方が解らない。
https://docs.python.org/3/library/re.html#module-contents
■同じ文字が出てきたらマッチ
re.search('(.)\\1', 'apple')
とやると (.) と丸括弧でくくった部分がグループとなって、\\1 で後方参照でき、 back referenceになってマッチする。
<_sre.SRE_Match object; span=(1, 3), match='pp'>
\1 と \が1重だとエスケープできていなくて失敗していた。
■re.VERBOSE(冗長)と re.IGNORECASE(大文字小文字無視)を同時に設定
Pattern = re.compile(r'''
AAA
|BBB\d+
|CCC\d+
''', re.VERBOSE | re.IGNORECASE)
f = re.sub(Pattern, '', f)■後方参照
()内でマッチしたものがグループになるが、再利用する場合は\\1(後方参照)を使う。
(※\\1はエスケープのため\\になっている。)
rでrawにしてエスケープしておいてもよい
re.sub("(\d{8})", r"\1-", "1234567890")
# '12345678-90'
例: 何でもよいから同じ文字が2つあるときにマッチ
import re
re.search('(.+)\\1{1}', 'oraange')
<_sre.SRE_Match object; span=(2, 4), match='aa'>
■マッチする部分に名前をつける
(?P<name>regex)
とするとマッチしたところがnameという名前を持ちます。それを呼び出すときは、m.group("name")とします。
アルファベット、スペース、アルファベットという文字列にfirst_name、last_nameという名前をつけてマッチさせます。
>>>m = re.match(r"(?P<first_name>\w+) (?P<last_name>\w+)", "Malcolm Reynolds")
>>> m.group("first_name")
'Malcolm'
>>> m.group("last_name")
'Reynolds'
0 件のコメント:
コメントを投稿