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       20 061×

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

Reklama
Reklama
Obrázek ke článku Blockchain & Bitcoin konference

Blockchain & Bitcoin konference

V pátek 19. 5. 2017 se v pražském konferenčním centru Andel’s konala Blockchain & Bitcoin konference. Řada odborníků a podnikatelů v oboru blockchainu a kryptoměn představila možnosti budoucího směřování tohoto oboru. Speakeři většinou rusky mluvící provenience prezentovali řešení svých firem založená na technologii blockchainu.

Obrázek ke článku Malware KONNI se úspěšně skrýval 3 roky. Odhalil ho bezpečnostní tým Cisco Talos

Malware KONNI se úspěšně skrýval 3 roky. Odhalil ho bezpečnostní tým Cisco Talos

Bezpečnostní tým Cisco Talos odhalil celkem 4 kampaně dosud neobjeveného malwaru, který dostal jméno KONNI. Ten se dokázal úspěšně maskovat od roku 2014. Zpočátku se malware zaměřoval pouze na krádeže citlivých dat. Za 3 roky se ale několikrát vyvinul, přičemž jeho současná verze umožňuje útočníkovi z infikovaného počítače nejenom krást data, ale i mapovat stisky na klávesnici, pořizovat screenshoty obrazovky či v zařízení spustit libovolný kód. Pro odvedení pozornosti oběti zasílali útočníci v příloze také obrázek, zprávu a výhružkách severokorejského režimu či kontakty na členy mezinárodních organizací.

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