Regulární výrazy v Pythonu - 2. část
 x   TIP: Přetáhni ikonu na hlavní panel pro připnutí webu
Reklama

Regulární výrazy v Pythonu - 2. částRegulární výrazy v Pythonu - 2. část

 

Regulární výrazy v Pythonu - 2. část

Google       Google       26. 11. 2007       20 211×

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

Reklama
Reklama

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")

×Odeslání článku na tvůj Kindle

Zadej svůj Kindle e-mail a my ti pošleme článek na tvůj Kindle.
Musíš mít povolený příjem obsahu do svého Kindle z naší e-mailové adresy kindle@programujte.com.

E-mailová adresa (např. novak@kindle.com):

TIP: Pokud chceš dostávat naše články každé ráno do svého Kindle, koukni do sekce Články do Kindle.

1 názor  —  1 nový  
Hlasování bylo ukončeno    
0 hlasů
Google
Autor studuje na FIT ČVUT a je šéfredaktorem portálu Matematika pro každého.
Web    

Nové články

Obrázek ke článku Facebook spouští službu Marketplace V ČR

Facebook spouští službu Marketplace V ČR

Společná platforma Marketplace usnadní lidem na Facebooku vyhledávání, nákup a prodej použitého zboží na lokální úrovni. Bude tak přímou konkurencí pro weby a aplikace se stejným zaměřením jako je například Letgo, Bazoš, Aukro, Sbazar a další.

Reklama
Reklama
Obrázek ke článku DistrCut – optimalizace pomocí distribuované inteligence

DistrCut – optimalizace pomocí distribuované inteligence

Optimalizační systémy, které jsem dosud popisoval, se týkaly vždy optimalizace na jednom zařízení. Optimalizovalo se dělení tyčového materiálu na jedné pile, vypalování plošného materiálu na jednom plazmovém stroji, řídilo se tavení na jedné elektrické obloukové peci.

Ve výrobním procesu je však často nutné optimalizovat činnost celého výrobního úseku, kde je více různých objektů odlišného typu a koordinovat činnost těchto objektů k dosažení společného cíle, zpravidla kvality finálního výrobku. Řešení tohoto problému umožňuje distribuovaná inteligence.

loadingtransparent (function() { var po = document.createElement('script'); po.type = 'text/javascript'; po.async = true; po.src = 'https://apis.google.com/js/plusone.js'; var s = document.getElementsByTagName('script')[0]; s.parentNode.insertBefore(po, s); })();
Hostujeme u Českého hostingu       ISSN 1801-1586       ⇡ Nahoru Webtea.cz logo © 20032017 Programujte.com
Zasadilo a pěstuje Webtea.cz, šéfredaktor Lukáš Churý