[Python] Regular expression

Regular expression或簡稱為Regex，讓使用者可以輕易的使用特殊的pattern，來對於字串作配對搜尋的動作。使用regex，可以讓程式碼變得簡潔，是個非常強大的工具。

列出幾個常用的pattern:

      Special Sequences:

• \d: 任何數字：0 - 9。 等同於 [0-9]
• \D: (大寫字母表示與原字母反意) 與\d相反，表示任何非數字，就是除了 0 - 9之外的所有項目。等同於[^0-9]
• \s: 任何空白, 包含\t\v\f\r\n。等同於[ \t\v\f\r\n]
• \S: 與\s相反，表示任何非空白。等同於[^ \t\v\f\r\n]
• \w: 任何字母與數字字元：a - z & A - Z & 0 - 9 & _。等同於[a-zA-Z0-9_]
• \W: 任何非字母與數字字元。等同於[^a-zA-Z0-9_]

     如果想同時間多次使用同一個matching character，可以用metacharacters來達成

• . : dot, 任何字元，除了換行
• ^: 表字串開頭
• $: 表字串結尾
• ?: 重複 0次或 1次
• *: 重複 0次或多次
• +: 重複 1次或多次，至少必須出現一次
• {n}: 重複n次。例如 {3} 表示重複 3次
• {x, y}: 重複次數在 x 到 y之間。例如{3, 5}表示重複 3 ~ 5次
• {, y}: 最多 y次
• {x, }: 最少 x次
• []: 表中括號內任一個
• (): sub-pattern

在python中使用，只需import re這個module;

Method/Attribute	Purpose
match()	從字串頭開始match. Match不到的話，return None
search()	搜尋整個字串，但只回傳找到的第一筆。Search不到return None
findall()	搜尋整個字串，把找到的所有data放在list裡回傳
finditer()	回傳找到data的iterator

例如要從這個字串當中，找出電話號碼 "Hi , if you need more information, please call 412-555-1234 or 268-111-5678"

>>> import re
>>> data = "Hi , if you need more information, please call 412-555-1234 or 268-111-5678"
>>> re.search(r'\d\d\d-\d\d\d-\d\d\d\d', data)
<_sre.SRE_Match object; span=(47, 59), match='412-555-1234'>

• r'\d\d\d-\d\d\d-\d\d\d\d':
  pattern前面的 r代表這是 raw string，即是請python不要試圖解釋 \ 反斜線字元的意思。用在表示pattern時，會比較方便，不然就必須麻煩的寫成 '\\d\\d\\d-\\d\\d\\d-\\d\\d\\d\\d'
• Regex matching pattern: '\d\d\d-\d\d\d-\d\d\d\d'
  代表請re幫我在data string當中找出含有 "3個數字-3個數字-4個數字"這個pattern的substring。這邊可以使用metacharactors簡化成 '\d{3}-\d{3}-\d{4}'

可以使用re.search搭配Regex matching pattern，直接對data string作search。

或者使用預先編譯(precompile)，把他編為一個模式物件(pattern object)，然後再使用它來做matching。

>>> phoneNumRegex = re.compile(r'\d{3}-\d{3}-\d{4}')
>>> mo = phoneNumRegex.search(data)
>>> mo
<_sre.SRE_Match object; span=(47, 59), match='412-555-1234'>

使用match(), search()如果成功找到pattern的話，會return match object，也就是上例的mo。
要對mach object做query的動作的話，可以使用下列object

Method/Attribute	Purpose
group()	回傳match到的字串
start()	回傳match結果的起始位置
end()	回傳match結果的結束位置
span()	回傳(start, end)的tuple

>>> mo.group()
'412-555-1234'

這時眼尖的你應該會發現，input字串裡有兩組符合pattern的substring，為什麼只回傳一組？這是因為seach() method只會回傳找到的第一筆資料，如果要回傳全部的話，就必須使用findall() method，但這時回傳的就會是一個list，而不是match object.

>>> mo = re.findall(r'\d{3}-\d{3}-\d{4}', data)
>>> mo
['412-555-1234', '268-111-5678']

在定義pattern object時，我們常會把某些部分利用小括號圍起來，來產生捕捉組(capture groups)，方便matching之後，利用group() method從個別group中，讀出data


>>> mo = re.search(r'(\d{3})-(\d{3})-(\d{4})', data)
>>> mo.group(0)
'412-555-1234'
>>> mo.group(1)
'412'
>>> mo.group(2)
'555'
>>> mo.group(3)
'1234'
>>> mo.groups()
('412', '555', '1234')