Базовый синтаксис — Регулярные выражения в Python

Базовый синтаксис регулярных выражений

Понимание базового синтаксиса — фундамент для работы с regex. В этой теме изучим литералы, метасимволы, экранирование и якоря.

#Литералы

Литералы — это обычные символы, которые соответствуют самим себе.

import re

# Поиск слова 'cat'
re.search(r'cat', 'The cat sat on the mat')  # Найдёт 'cat'

# Поиск последовательности символов
re.search(r'hello', 'hello world')  # Найдёт 'hello'

Литералы регистрозависимы:

re.search(r'Cat', 'The cat sat')  # None — не найдёт (разный регистр)
re.search(r'Cat', 'The Cat sat')  # Найдёт 'Cat'

Для игнорирования регистра используйте флаг re.IGNORECASE.

#Метасимволы

Метасимволы — символы со специальным значением в regex:

. ^ $ * + ? { } [ ] \ | ( )

#Точка (.) — любой символ

Точка соответствует любому одному символу, кроме новой строки:

re.search(r'c.t', 'cat')      # 'cat'
re.search(r'c.t', 'c t')      # 'c t' (пробел — тоже символ)
re.search(r'c.t', 'c\nt')     # None — точка несоответствует newline

# С флагом DOTALL точкасоответствует и newline:
re.search(r'c.t', 'c\nt', re.DOTALL)  # 'c\nt'

#Якоря: ^ и $

^ — начало строки, $ — конец строки:

re.search(r'^Hello', 'Hello world')  # Найдёт в начале
re.search(r'^Hello', 'Say Hello')    # None — не в начале

re.search(r'world$', 'Hello world')  # Найдёт в конце
re.search(r'world$', 'world Hello')  # None — не в конце

#Многострочный режим

С флагом re.MULTILINE якоря работают для каждой строки:

text = """First line
Second line
Third line"""

# Без MULTILINE:
re.search(r'^Second', text)  # None

# С MULTILINE:
re.search(r'^Second', text, re.MULTILINE)  # Найдёт 'Second'

#Экранирование

Для поиска метасимволов как литералов используйте обратную косую черту \:

# Поиск точки (например, в доменном имени)
re.search(r'example\.com', 'Visit example.com')  # 'example.com'
re.search(r'example.com', 'Visit example.com')   # 'exampleXcom' — точкасоответствует любой символ!

# Поиск обратной косой черты
re.search(r'C:\\Users', r'C:\Users\name')  # 'C:\Users'

# Поиск специальных символов
re.search(r'\$', 'Price: $100')      # '$'
re.search(r'\[', 'array[0]')         # '['
re.search(r'\?', 'Who?')             # '?'

#Специальные последовательности с \

Последовательность	Значение
`\d`	Цифра: [0-9]
`\D`	Не цифра: [^0-9]
`\w`	Word-символ: [a-zA-Z0-9_]
`\W`	Не word-символ: [^a-zA-Z0-9_]
`\s`	Пробельный символ: пробел, табуляция, newline
`\S`	Не пробельный символ
`\b`	Граница слова
`\B`	Не граница слова

Подробно классы символов изучим в следующей теме.

#Граница слова (\b)

Граница слова — позиция между word-символом (\w) и non-word символом:

re.search(r'\bcat\b', 'The cat sat')      # 'cat'
re.search(r'\bcat\b', 'The category')     # None — 'cat' внутри слова
re.search(r'\bcat\b', 'cat.')             # 'cat' — точка это non-word символ

# Поиск слова в начале/конце
re.search(r'\b\w{4}\b', 'The cat sat')    # 'The' — первое 4-буквенное слово

#\b vs ^ и $

re.search(r'^test', 'test case')    # 'test' — начало строки
re.search(r'\btest', 'test case')   # 'test' — начало слова

re.search(r'test$', 'case test')    # 'test' — конец строки
re.search(r'test\b', 'case test')   # 'test' — конец слова

#Альтернатива (|)

Оператор | означает ИЛИ:

re.search(r'cat|dog', 'I have a cat')     # 'cat'
re.search(r'cat|dog', 'I have a dog')     # 'dog'
re.search(r'cat|dog', 'I have a bird')    # None

# В сочетании с группами
re.search(r'(red|blue|green) car', 'blue car')  # 'blue car'

Приоритет: альтернатива имеет низкий приоритет, используйте скобки для группировки:

re.search(r'^Subject: (Error|Warning)', 'Subject: Error')  # 'Subject: Error'
re.search(r'^Subject: Error|Warning', 'Subject: Warning')  # 'Warning' — не то!
# Вторая строкасоответствует 'Warning' в любом месте, а не после 'Subject: '

#Группировка скобками ()

Скобки группируют элементы для применения квантификаторов или альтернативы:

# Повторение группы
re.search(r'(ab)+', 'ababab')  # 'ababab'

# Альтернатива в группе
re.search(r'(Mr|Mrs|Ms)\. \w+', 'Mr. Smith')  # 'Mr. Smith'

# Извлечение группы
match = re.search(r'(\d{4})-(\d{2})-(\d{2})', '2024-03-09')
match.groups()  # ('2024', '03', '09')

Подробнее о группах — в теме 5.

#Практические примеры

#1. Поиск номера телефона

# Простой паттерн для российского телефона
pattern = r'\+7\d{10}'

re.search(pattern, '+79991234567')  # '+79991234567'
re.search(pattern, '+7-999-123-45-67')  # None — есть дефисы

#2. Валидация простого пароля

# Минимум 8 символов, только буквы и цифры
pattern = r'^[A-Za-z0-9]{8,}$'

bool(re.match(pattern, 'password123'))  # True
bool(re.match(pattern, 'pass'))         # False — меньше 8
bool(re.match(pattern, 'pass word'))    # False — есть пробел

#3. Извлечение домена из email

email = 'user@example.com'
match = re.search(r'@([a-zA-Z0-9.-]+\.[a-zA-Z]{2,})', email)
domain = match.group(1)  # 'example.com'

#4. Поиск всех слов определённой длины

text = 'The quick brown fox jumps over the lazy dog'

# Все 4-буквенные слова
re.findall(r'\b\w{4}\b', text)  # ['quick', 'brown', 'jumps', 'over', 'lazy']

#Распространённые ошибки

#1. Забытое экранирование точки

# Ошибка: точкасоответствует любой символ
re.search(r'file.txt', 'fileXtxt')  # Найдёт!

# Правильно: экранируйте точку
re.search(r'file\.txt', 'file.txt')  # Найдёт
re.search(r'file\.txt', 'fileXtxt')  # None

#2. Непонимание границ слова

# Ошибка: \b несоответствует пробел, это граница word/non-word
re.search(r'\b \b', 'a b')  # None

# Для пробела используйте \s
re.search(r'\s', 'a b')  # ' '

#3. Якоря без MULTILINE

text = """line1
line2
line3"""

# Ошибка: ^соответствует только начало всей строки
re.findall(r'^line', text)  # ['line'] — только первый

# Правильно: с MULTILINE
re.findall(r'^line', text, re.MULTILINE)  # ['line', 'line', 'line']

Последовательность

Значение

\d

Цифра: [0-9]

\D

Не цифра: [^0-9]

\w

Word-символ: [a-zA-Z0-9_]

\W

Не word-символ: [^a-zA-Z0-9_]

\s

Пробельный символ: пробел, табуляция, newline

\S

Не пробельный символ

\b

Граница слова

\B

Не граница слова