Группы и захват

Группы позволяют выделять части совпадения для последующего извлечения или использования. Это мощный инструмент для структурирования данных.

#Синтаксис групп

Группы создаются с помощью круглых скобок ():

import re

# Простая группа
match = re.search(r'(\d{4})-(\d{2})-(\d{2})', '2024-03-09')
match.groups()  # ('2024', '03', '09')
match.group(0)  # '2024-03-09' — всё совпадение
match.group(1)  # '2024' — первая группа
match.group(2)  # '03' — вторая группа
match.group(3)  # '09' — третья группа

#Нумерованные группы

Группы нумеруются слева направо по открывающим скобкам:

# Вложенные группы
match = re.search(r'((\w+)\s+(\w+))', 'Hello World')
match.group(0)  # 'Hello World' — всё совпадение
match.group(1)  # 'Hello World' — первая группа (внешняя)
match.group(2)  # 'Hello' — вторая группа
match.group(3)  # 'World' — третья группа

#Именованные группы

Именованные группы позволяют обращаться по имени вместо номера:

# Синтаксис: (?P<имя>паттерн)
match = re.search(r'(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})', '2024-03-09')

match.group('year')   # '2024'
match.group('month')  # '03'
match.group('day')    # '09'

match.groupdict()  # {'year': '2024', 'month': '03', 'day': '09'}

#Преимущества именованных групп

# Более читаемый код
pattern = r'(?P<email>\w+@\w+\.\w+):(?P<phone>\d+)'
match = re.search(pattern, 'user@example.com:123456')

email = match.group('email')   # Понятно, что извлекаем
phone = match.group('phone')   # Не нужно помнить номера групп

#Non-capturing группы (?:...)

Группы ?: группируют элементы, но не захватывают совпадение:

# Обычная группа — захватывает
re.search(r'(ab)+', 'abab')  # group(1) = 'ab'

# Non-capturing группа — не захватывает
re.search(r'(?:ab)+', 'abab')  # group(1) вызовет ошибку — группы нет

# Практический пример: протокол URL
re.search(r'(https?|ftp)://', 'https://example.com')  # group(1) = 'https'
re.search(r'(?:https?|ftp)://', 'https://example.com')  # Нет группы, толькосоответствует

#Когда использовать non-capturing группы

Применение квантификатора к группе:

# Повторение группы протоколов re.search(r'(?:https?|ftp)://\w+', 'https://example.com')
Альтернатива без захвата:

# Mr, Mrs, Ms без захвата re.search(r'(?:Mr|Mrs|Ms)\. \w+', 'Mr. Smith')
Улучшение производительности: Non-capturing группы немного быстрее, так как не сохраняют совпадение.

#Backreferences — ссылки на группы

Используйте захваченные группы в том же паттерне:

# Поиск повторяющихся слов
re.search(r'\b(\w+)\s+\1\b', 'hello hello world')  # 'hello hello'

# \1 ссылается на первую группу

#Именованные backreferences

# Синтаксис: (?P=name)
re.search(r'\b(?P<word>\w+)\s+(?P=word)\b', 'hello hello')  # 'hello hello'

#Практические примеры backreferences

# Поиск одинарных кавычек
re.search(r'"[^"]*"', '"hello"')  # '"hello"'

# Поиск парных тегов HTML
re.search(r'<(\w+)>(.*?)</\1>', '<div>content</div>')  # '<div>content</div>'
# \1 ссылается на название тега из первой группы

# Удвоение символов
re.search(r'(\w)\1', 'book')  # 'oo'
re.search(r'(\w)\1', 'look')  # 'oo'

#Извлечение данных с группами

#findall с группами

# Без групп — список полных совпадений
re.findall(r'\d+-\d+', '1-2 3-4')  # ['1-2', '3-4']

# С группами — список кортежей групп
re.findall(r'(\d+)-(\d+)', '1-2 3-4')  # [('1', '2'), ('3', '4')]

# С именованными группами — тоже кортежи
re.findall(r'(?P<a>\d+)-(?P<b>\d+)', '1-2 3-4')  # [('1', '2'), ('3', '4')]

#finditer для итерации

text = '2024-03-09, 2023-01-15, 2022-12-31'

for match in re.finditer(r'(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})', text):
    print(f"{match.group('day')}.{match.group('month')}.{match.group('year')}")
# 09.03.2024
# 15.01.2023
# 31.12.2022

#Замена с использованием групп

#sub с backreferences

# Замена формата даты
text = '2024-03-09'
re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\3.\2.\1', text)  # '09.03.2024'

# С именованными группами
re.sub(r'(?P<y>\d{4})-(?P<m>\d{2})-(?P<d>\d{2})', r'\g<d>.\g<m>.\g<y>', text)

#sub с функцией

def replace_date(match):
    year, month, day = match.groups()
    return f'{day}.{month}.{year}'

re.sub(r'(\d{4})-(\d{2})-(\d{2})', replace_date, '2024-03-09')  # '09.03.2024'

#Практические примеры

#1. Парсинг имени и фамилии

text = 'Иванов Иван'
match = re.search(r'(?P<lastname>\w+)\s+(?P<firstname>\w+)', text)

lastname = match.group('lastname')   # 'Иванов'
firstname = match.group('firstname') # 'Иван'

#2. Извлечение URL и текста ссылки

html = '<a href="https://example.com">Example</a>'
match = re.search(r'<a\s+href="(?P<url>[^"]+)">(?P<text>[^<]+)</a>', html)

url = match.group('url')   # 'https://example.com'
text = match.group('text') # 'Example'

#3. Валидация повторяющихся символов

# Запретить повторяющиеся символы в пароле
def has_no_repeats(password):
    return not re.search(r'(\w)\1', password)

has_no_repeats('abc123')  # True
has_no_repeats('aabc123') # False — 'aa'

#4. Нормализация телефона

phone = '+7 (999) 123-45-67'

# Извлечение цифр
digits = re.sub(r'\D', '', phone)  # '79991234567'

# Форматирование
match = re.search(r'(\d)(\d{3})(\d{3})(\d{2})(\d{2})', digits)
if match:
    formatted = '+{} ({}) {}-{}-{}'.format(*match.groups())
    # '+7 (999) 123-45-67'

#Вложенные группы

# Вложенные группы нумеруются по порядку открывающих скобок
pattern = r'((\w+)\s+(\w+))'
match = re.search(pattern, 'Hello World')

match.group(0)  # 'Hello World' — всё совпадение
match.group(1)  # 'Hello World' — первая группа (внешняя)
match.group(2)  # 'Hello' — вторая группа
match.group(3)  # 'World' — третья группа

#Распространённые ошибки

#1. Неправильный номер группы

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

match.group(0)  # '2024-03-09' — всё совпадение
match.group(1)  # '2024' — первая группа
match.group(4)  # IndexError — всего 3 группы

#2. Забытая группа в findall

# Хотим получить все числа
re.findall(r'\d+-\d+', '1-2 3-4')  # ['1-2', '3-4'] — правильно

# Но с группами получаем кортежи
re.findall(r'(\d+)-(\d+)', '1-2 3-4')  # [('1', '2'), ('3', '4')]

# Решение: non-capturing группа или обработка кортежей
re.findall(r'(?:\d+)-(\d+)', '1-2 3-4')  # ['2', '4'] — только вторая цифра

#3. Backreference вне паттерна

# \1 работает только внутри patтерна
re.sub(r'(\d+)', r'\1', '123')  # '123' — правильно

# Но в findall \1 не работает
re.findall(r'(\d+)\1', '123123')  # ['123'] — ищет повторяющиеся цифры