Введение в регулярные выражения

Регулярные выражения — это язык описания шаблонов текста. Один хорошо написанный regex может заменить десятки строк кода с циклами и условиями.

#Что такое регулярные выражения

Регулярное выражение (regex, regexp) — это последовательность символов, которая определяет шаблон для поиска в тексте.

Регулярные выражения используются для:

Поиска — найти все email в тексте
Извлечения — вытащить номер телефона из строки
Валидации — проверить, что строка соответствует формату
Замены — заменить все даты на формат DD.MM.YYYY

#Зачем нужны regex в Python

Рассмотрим задачу: найти все email-адреса в тексте.

Без regex (много кода, сложно):

text = "Контакты: support@example.com и sales@test.org"

emails = []
for word in text.split():
    if '@' in word and '.' in word:
        parts = word.split('@')
        if len(parts) == 2 and '.' in parts[1]:
            emails.append(word)

print(emails)  # ['support@example.com', 'sales@test.org']

С regex (одна строка):

import re

text = "Контакты: support@example.com и sales@test.org"
emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', text)

print(emails)  # ['support@example.com', 'sales@test.org']

#Где применяются регулярные выражения

#1. Валидация данных

# Проверка email
is_valid = bool(re.match(r'^[\w.-]+@[\w.-]+\.\w+$', email))

# Проверка телефона
is_valid = bool(re.match(r'^\+7\d{10}$', phone))

# Проверка пароля (минимум 8 символов, буквы и цифры)
is_valid = bool(re.match(r'^(?=.*[A-Za-z])(?=.*\d)[A-Za-z\d]{8,}$', password))

#2. Парсинг логов

log_line = "2024-03-09 14:30:15 ERROR [main] Database connection failed"

# Извлечение уровня логирования и сообщения
match = re.search(r'(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) (\w+) \[(\w+)\] (.+)', log_line)
if match:
    timestamp, level, logger, message = match.groups()

#3. Извлечение данных из HTML

html = '<a href="https://example.com">Link</a>'

# Извлечение URL
url = re.search(r'href="([^"]+)"', html).group(1)
# 'https://example.com'

#4. Очистка и нормализация текста

text = "Цена: 1 234,56 руб."

# Удаление пробелов и замена запятой на точку
price = re.sub(r'\s+', '', text)  # "Цена:1234,56руб."
price = re.sub(r',', '.', price)  # "Цена:1234.56руб."

# Извлечение числа
value = float(re.search(r'[\d.]+', price).group())  # 1234.56

#5. Парсинг структурированных данных

data = "Order #12345: $99.99; Order #67890: $149.50"

# Извлечение всех заказов
orders = re.findall(r'Order #(\d+): \$(\d+\.\d{2})', data)
# [('12345', '99.99'), ('67890', '149.50')]

#Как работают регулярные выражения

Регулярное выражение состоит из:

Литералы — обычные символы, соответствующие самим себе

re.search(r'cat', 'The cat sat') # Найдёт 'cat'
Метасимволы — символы со специальным значением

re.search(r'c.t', 'cat') # '.' — любой символ re.search(r'c*t', 'ccct') # '*' — ноль или более
Классы символов — наборы допустимых символов

re.search(r'[aeiou]', 'hello') # Любая гласная re.search(r'\d+', 'abc123') # \d — цифра

#Синтаксис regex в Python

В Python регулярные выражения определяются через модуль re:

import re

# Компиляция паттерна (рекомендуется для повторного использования)
pattern = re.compile(r'\d+')

# Поиск
result = pattern.search('abc123def')

#Сырые строки (raw strings)

Для regex в Python рекомендуется использовать сырые строки с префиксом r:

# Правильно — обратная косая черта не экранируется Python
pattern = r'\d+\.\d+'

# Неправильно — нужно экранировать обратную косую черту
pattern = '\\d+\\.\\d+'

Сырые строки делают regex более читаемыми и менее подверженными ошибкам.

#Основные функции модуля re

Функция	Описание
`re.match(pattern, string)`	Поиск в начале строки
`re.search(pattern, string)`	Поиск по всей строке
`re.findall(pattern, string)`	Найти все совпадения
`re.finditer(pattern, string)`	Итератор по совпадениям
`re.sub(pattern, repl, string)`	Замена совпадений
`re.split(pattern, string)`	Разбиение строки
`re.compile(pattern)`	Компиляция паттерна

#Пример: комплексное использование

import re

text = """
Контакты компании:
Email: info@company.com, support@company.co.uk
Телефон: +7 (495) 123-45-67, +7-800-555-35-35
Сайт: https://www.company.com
"""

# Извлечение email
emails = re.findall(r'[\w.-]+@[\w.-]+\.\w+', text)

# Извлечение телефонов
phones = re.findall(r'\+7[\s()\-0-9]{10,}', text)

# Извлечение URL
urls = re.findall(r'https?://[\w./-]+', text)

print(f"Email: {emails}")
print(f"Телефоны: {phones}")
print(f"URL: {urls}")

#Когда НЕ стоит использовать regex

Парсинг HTML/XML — используйте BeautifulSoup, lxml

# Плохо: re.search(r'<title>(.*)</title>', html) # Хорошо: from bs4 import BeautifulSoup soup = BeautifulSoup(html, 'html.parser') title = soup.title.string
Сложные вложенные структуры — regex не может парсить рекурсивные структуры
Простые задачи — если можно сделать через str.split(), str.replace() — делайте так

#Инструменты для обучения

regex101.com — онлайн-тестер с поддержкой Python и объяснением синтаксиса
pythex.org — специфично для Python
regexr.com — визуальный конструктор

Функция

Описание

re.match(pattern, string)

Поиск в начале строки

re.search(pattern, string)

Поиск по всей строке

re.findall(pattern, string)

Найти все совпадения

re.finditer(pattern, string)

Итератор по совпадениям

re.sub(pattern, repl, string)

Замена совпадений

re.split(pattern, string)

Разбиение строки

re.compile(pattern)

Компиляция паттерна