Regulární výrazy v Pythonu - 2. část

Další pokračování regulérních výrazů. Dnes se naučíme získávat z textu údaje.

re.compile

Tato funkce zkompiluje regulární výraz do řeči regulárních výrazů:

>>> r=re.compile(r"\d+")
>>> r
<_sre.SRE_Pattern object at 0x00BBEA70>
>>> dir(r)
['__copy__', '__deepcopy__', 'findall', 'finditer', 'match', 'scanner', 'search', 'split', 'sub', 'subn']

Jak vidíte, tento objekt má více metod. Některé jsou pro nás známe, jako třeba findall, ale ten zbytek si budeme muset vysvětlit. Avšak než se tak stane, vysvětlíme si metaznak (...). Pomocí tohoto metaznaku můžete definovat skupiny znaků, ke kterým budete moci později přistupovat číselnými indexy podle pořadí závorek v textu. Více snad pochopíte z příkladu:

r=re.compile(r"(\d+) (\w+)")
#Pokud necháme "55 aa" procházet tímto regulárním výrazem, tak na indexu 1 budou čísla (55) a na indexu 2 písmena (aa)

My začneme metodou search. Tato metoda, podobně jako re.compile, vrací objekt re.

>>> r=re.compile(r"(\d+) (\w+)")
>>> hledani=r.search("55 aa")
>>> hledani
<_sre.SRE_Match object at 0x01E3D9F8>
>>> dir(hledani)
['__copy__', '__deepcopy__', 'end', 'expand', 'group', 'groupdict', 'groups', 'span', 'start']

My jako první použijeme metodu group. Ta přijímá jako parametr index (my umíme používat zatím pouze číselné indexy) a vrací shodný objekt z regulárního výrazu:

>>> hledani.group(1)
'55'
>>> hledani.group(2)
'aa'

Metaznak (?P<jmeno>...)

Pomocí tohoto metaznaku můžeme definovat skupiny znaků jinak než nám již známým číselným indexem. Pokud tedy budeme chtít přistoupit k výrazu vráceném metodou search zavoláme metodu group("jmeno"):

>>> r=re.compile(r"(?P<slovo_a>\W?[aA]\w+)")#Definujeme skupinu "slovo_a"

re.finditer

Tato metoda přijímá jako parametry regulární výraz a prohledávaný řetězec. My ji použijeme pro získání dat z řetězce.

>>> r=re.compile(r"(?P<slovo_a>\W?[aA]\w+)")
>>> re.finditer(r,"auto")
<callable-iterator object at 0x00C9AC90>

Vrací iterátor, tudíž můžeme prohnat výstup cyklem for:

>>> r=re.compile(r"(?P<slovo_a>\W?[aA]\w+)")
>>> for prvek in re.finditer(r,"auto"):
	print prvek.group("slovo_a")

auto

Proměnná prvek poskytuje mimo jiné i metodu groupdict. Ta vrací slovník všech definovaných skupin:

>>> for prvek in re.finditer(r,"auto"):
	print prvek.groupdict()

	
{'slovo_a': 'auto'}

Další metaznaky

Pro jednodušší práci s regulárními výrazy by to chtělo trochu rozšířit naši znalost metaznaků:

• . – reprezentuje jakýkoliv znak kromě nového řádku.
• \ &dnash; tento znak známe jako označení speciální posloupnosti, ale to není jeho jediná funkce. Pomocí toho znaku můžeme vyhledávat znaky, které jsou za normálních okolností metaznaky: 5\*2. Tento výraz odpovídá "5*2".
• * – regulární výraz před * se může opakovat libovolněkrát (0×,1×,100×…)

Praktické příklady

Na závěr si ukážeme pár praktických příkladů:

Najdi všechny odkazy v textu

Máme zdrojový kód nějaké stránky a chceme z něj získat všechny odkazy.

# -*- coding: cp1250 -*-
import re
import urllib  
fp = urllib.urlopen('http://www.programujte.com')#Načteme nějakou stránku
data = fp.read()#Získáme zdrojový kód stránky
fp.close()  
for prvek in re.findall(r'href="(.*?)"',data):
    print prvek

Najdi všechny e-mailové adresy:

# -*- coding: cp1250 -*-
import re
r=re.compile(r"(?P<email>[\w\d]*@[\w\d]*\.[\w\d]*)",re.U)
#Nejprve definujeme skupinu 'email'
#[\w\d]* - v názvu e-mailu mohou být čísla a písmena
#@ - potom následuje zavináč
#[\w\d]* - číslice nebo písmena se mohou vícekrát opakovat
#\. - tyto dva znaky reprezentují tečku
#[\w\d]* - číslice nebo písmena se mohou vícekrát opakovat
data="jakub_vojacek@programujte.com, curo@programujte.com"
for prvek in r.finditer(data):
    print prvek.group("email")