Регулярные выражения
Метасимволы
| ^ | начало |
| $ | конец |
| [] |
список символов [1-6] перечисление, может комбинироваться порядок роли не играет [0-5a-fkl] [- если дефис в начале, то как символ ^ Если в начале, то инверсия правила. Если не в начале, то обычный символ |
| | |
или. Желательно экранировать остальное скобками, например gr(e|a)y внутри могут быть полноценные регулярные выражения |
| . | Один любой символ, кроме новой строки \n. |
| ? | 0 или 1 вхождение предшествующего элемента |
| + | 1 и более вхождений предшествующего элемента |
| * | 0 и более вхождений предшествующего элемента |
| \w |
Любая цифра или буква |
| \W | все, кроме буквы или цифры |
| \d | Любая цифра [0-9] |
| \D | все, кроме цифры |
| \xFF | шестнадцатеричное число |
| \s | Любой пробельный символ |
| \S | любой непробельный символ |
| \b | Граница слова |
| \A | начало текста |
| \t, \n, \r | Символ табуляции, новой строки и возврата каретки соответственно |
| {n,m} |
От n до m вхождений {n} ровно n вхождений {n,} от n вхождений {,m} — от 0 до |
Модификаторы
| (?i:что-то) | интервальный модификатор, отключающий поиск с учетом регистра для "что-то" |
| (?:что-то) | Атомарная группировка проходит как обычно, но когда процесс поиска выходит за пределы конструкции (за закрывающую круглую скобку), все сохраненные состояния удаляются. |
| (?P<word>...) |
Именованная группа, в данном случае имя - word m.group('word') - пример обращения к группе |
Опережающая проверка
| (?<=...) | Должно совпасть слева (Позитивная ретроспективная проверка), в Python - fixed length. |
| (?<!...) | Не должно совпасть слева (Негативная ретроспективная проверка), в Python не поддерживается. |
| (?=...) | Должно совпасть справа (Позитивная опережающая проверка). |
| (?!...) | Не должно совпасть справа (Негативная опережающая проверка). |
| \g<...> | группы при обратных ссылках, g<1> группа 1 |
.*? "ленивый" поиск
Атрибуты
\p{атрибут}
\p{L} \p{Letter} – символы, считающиеся буквами
\p{M} \p{Mark} – различные символы, существующие не самостоятельно, а лишь в сочетании с другими базовыми символами (диакритические знаки, рамки и т. д.)
\p{Z} \p{Separator} – символы, выполняющие функции разделителей, но не имеющие собственного визуального представления (разнообразные пробелы и т. д.)
\p{S} \p{Symbol} – различные декоративные элементы и знаки
\p{N} \p{Number} – цифры
\p{P} \p{Punctuation} – знаки препинания
\p{C} \p{Other} – прочие символы (редко используется при работе с обычным текстом)
Похоже, что python не поддерживает
Python
Флаги при обработке
re.compile('...', re.IGNORECASE) - игнор регистра
re.VERBOSE re.X Allow inline comments and extra whitespace.
re.IGNORECASE re.I Do case-insensitive matches.
re.MULTILINE re.M Allow anchors (^ and $) to match the beginnings and ends of lines instead of matching the beginning and end of the whole text.
re.DOTALL re.S Allow dot (.) to match any character, including a newline. (The default behavior of dot is to match anything, except for a newline.)
Нюансы python
В возвращаемом кортеже группа 0 - максимальная группа. Группа определяется скобками. Поэтому если внутри есть () для формирования регулярки, то необходимо всю регулярку брать в скобки.
Вместо r'gr(e|a)y' можно использовать f-строки, {} будет означать переменную
Пример:
m = re.finditer(r'gr(e|a)y', 'gray grey')
for ma in m:
print(ma.groups())
#('a',)
#('e',)
m = re.finditer(r'(gr(e|a)y)', 'gray grey')
for ma in m:
print(ma.groups())
#('gray', 'a')
#('grey', 'e')
По умолчанию символы повторения жадные (greedy). Если нужно отключить жадность, достаточно добавить знак вопроса после символов повторения: match = re.search(r'<.*?>', line)
re.sub(pattern, repl, string, count=0) Заменить в строке string все непересекающиеся шаблоны pattern на repl