Учебная страница курса биоинформатики,
год поступления 2010

Семестры Студенты Преподаватели

• 2023
• 2022
• 2021
• 2020
• 2019
• 2018
• 2017
• 2016

• ...

Регулярные выражения

Составьте регулярное выражение, которое бы подходило к:

• слову, длина которого ровно 10 букв
• предложению, состоящему ровно из 6 слов
• слову с заглавной буквы, но чтобы это слово было не первым словом в предложении
• Предложения, заканчивающиеся на ya

• именам русских авторов в SwissProt

• имена авторов, которые начинаются на букву A
• последовательности, длина которых больше 1000

• строки с http ссылками http://

Использование регулярных выражений

Теперь, когда мы рассмотрели несколько простых регулярных выражений, как мы можем использовать их в Python? Модуль re предоставляет интерфейс для регулярных выражений, что позволяет компилировать регулярные выражения в объекты, а затем выполнять с ними сопоставления.

Компиляция регулярных выражений

Регулярные выражения компилируются в объекты шаблонов, имеющие методы для различных операций, таких как поиск вхождения шаблона или выполнение замены строки.

   1 >>>import re
   2 >>>p = re.compile(r'ab*')
   3 >>>print p
   4 <_sre.SRE_Pattern object at 0x...>

re.compile() также принимает необязательные аргументы, использующихся для включения различных особенностей и вариаций синтаксиса:

   1 >>> p = re.compile(r'ab*', re.IGNORECASE)

Регулярное выражение передается re.compile() как строка. Регулярные выражения обрабатываются как строки, поскольку не являются частью языка Python, и нет никакого специального синтаксиса для их выражения.

Выполнение сопоставлений

После того, как у вас есть объект, представляющий скомпилированное регулярное выражение, что вы с ним будете делать? Объекты шаблонов имеют несколько методов. Мы рассмотрим самые необходимые.

match()

Определить, начинается ли совпадение регулярного выражения с начала строки

search()

Сканировать всю строку в поисках первого совпадения с регулярным выражением

findall()

Найти все подстроки совпадений с регулярным выражением и вернуть их в виде списка

Если не было найдено ни одного совпадения, то match() и search() возвращают None. Если поиск успешен, возвращается обьект (MatchObject), содержащий информацию о совпадении: где оно начинается и заканчивается, подстрока соответствия, и так далее.

   1 >>> import re
   2 >>> p = re.compile(r'[a-z]+')

Теперь вы можете попробовать сравнить строки для регулярного выражения [a-z]+. Пустая строка ему не будет соответствовать, потому что + означает повторение «один или больше» раз. match() в этом случае должен вернуть None, что и видим:

   1 >>> p.match("")
   2 >>> print p.match("")
   3 None

Теперь попробуем строку, которая должна совпасть с шаблоном: 'tempo'. В этом случае match() вернет MatchObject, который вы можете разместить в какой-то переменной, чтобы использовать ее в дальнейшем:

   1 >>> m = p.match(r'tempo')

Теперь вы можете вызывать MatchObject для получения информации о соответствующих строках. Для MatchObject также имеется несколько методов и атрибутов, наиболее важными из которых являются:

group()

Вернуть строку, сошедшуюся с регулярным выражением

start()

Вернуть позицию начала совпадения

end()

Вернуть позицию конца совпадения

span()

Вернуть кортеж (start, end) позиций совпадения

   1 >>> m.group()
   2 'tempo'
   3 >>> m.start(), m.end()
   4 (0, 5)
   5 >>> m.span()
   6 (0, 5)

Так как метод match() проверяет совпадения только с начала строки, start() всегда будет возвращать 0. Однако метод search() сканирует всю строку, так что для него начало не обязательно в нуле:

   1 >>> print p.match(r'::: message')
   2 None
   3 >>> m = p.search(r'::: message') ; print m
   4 <_sre.SRE_Match object at 0x...>
   5 >>> m.group()
   6 'message'
   7 >>> m.span()
   8 (4, 11)

В реальных программах наиболее распространенный стиль это хранение MatchObject в переменной, а затем проверка по None. Обычно это выглядит следующим образом:

   1 p = re.compile( ... )
   2 m = p.match(r'string goes here' )
   3 if m:
   4     print 'Match found: ', m.group()
   5 else:
   6     print 'No match'

Два метода возвращают все совпадения для шаблона. findall() возвращает список совпавших подстрок:

   1 >>> p = re.compile(r'\d+')
   2 >>> p.findall('12 drummers drumming, 11 pipers piping, 10 lords a-leaping')
   3 ['12', '11', '10']

Метод findall() должен создать полный список, прежде чем он может быть возвращен в качестве результата.

Функции на уровне модуля

Вам не обязательно нужно создавать объекты шаблонов и вызывать их методы; модуль re также предоставляет функции верхнего уровня match(), search(), findall(), sub() и так далее. Эти функции принимают те же аргументы, что и для шаблонов, со строкой РВ в качестве первого аргумента и также возвращают None или MatchObject.

   1 >>> print re.match(r'From\s+', 'Fromage amk')
   2 None
   3 >>> re.match(r'From\s+', 'From amk Thu May 14 19:12:10 1998')
   4 <_sre.SRE_Match object at 0x...>

Эти функции просто создают для вас объект шаблона и вызывают соответствующий метод. Они также хранят объект в кэше, так что будущие вызовы с использованием того же регулярного выражения будут быстрее.

Должны вы использовать эти функции или шаблоны с методами? Это зависит от того, как часто будет использоваться регулярное выражение и от вашего личного стиля кодинга. Если регулярное выражение используется только в одном месте кода, то такие функции, вероятно, более удобны. Если программа содержит много регулярных выражений, или повторно использует одни и те же в нескольких местах, то будет целесообразно собрать все определения в одном месте, в разделе кода, который предварительно компилирует все регулярные выражения. В качестве примера из стандартной библиотеки, вот кусок из xmllib.py:

   1 ref = re.compile( ... )
   2 entityref = re.compile( ... )
   3 charref = re.compile( ... )
   4 starttagopen = re.compile( ... )