大阪大学医学部 Python会

Now is better than never.

Pythonで使える正規表現まとめ

2018-09-12(Wed) - Posted by 西垣 in 技術ブログ    tag:Python

Contents

    O'REILLYの著書『退屈なことはPythonにやらせよう』で「正規表現」について記載されているところをまとめたノートです。

    正規表現はCtrl-Fのテキスト検索でも気軽に使えて大変便利なので、以下のまとめはpython3での正規表現の初歩的な使い方をまとめたものですが、知らなかった人は見てみてもいいかもです。

    要点

    メタ文字

    • ?は、直前のグループの0回か1回の出現にマッチする。（任意のマッチ）
    • *は、直前のグループの0回以上の出現にマッチする。
    • +は、直前のグループの1回以上の出現にマッチする。
    • {n}は、直前のグループのn回の出現にマッチする。
    • {n,}は、直前のグループのn回以上の出現にマッチする。
    • {,m}は、直前のグループの0~m回の出現にマッチする。
    • {n,m}?、?、+?は直前のグループの非貪欲マッチを行う。

    文字集合

    • \d：0~9の数字
    • \D：0~9の数字以外
    • \w：文字、数字、下線（単語wordのw）
    • \W：文字、数字、下線以外
    • \s：スペース、タブ、改行（空白spaceのs）
    • \S：スペース、タブ、改行以外

    正規表現マッチのまとめ

    • reモジュール
    • re.compile()関数
    • search()メソッド
    • group()メソッド
    • findall()メソッド

    実践

    In [1]:
    #! python 3
#正規表現モジュールのインポート
import re

    '\d'は1文字の数字を表す正規表現

    \dを用いて、あるtextから、電話番号パターンにマッチする部分を検索しましょう。 re.compile()に正規表現パターンを表す文字列を渡すと、Regexオブジェクトが返ります。

    In [2]:
    phone_num_regex = re.compile(r'\d\d\d-\d\d\d\d-\d\d\d\d')

    文字列の前のrはraw文字列を指定し、文字をエスケープせずに簡潔に表現しています。

    search()メソッドとgroup()メソッド

    Regexオブジェクトのsearch()メソッドは、渡された文字列の中から正規表現にマッチするパターンが見つかれば、Matchオブジェクトを返します。 Matchオブジェクトにはgroup()メソッドがあり、実際にマッチしたテキストを返します

    In [3]:
    mo = phone_num_regex.search('私の電話番号は080-1111-22222です。')
print('電話番号が見つかりました：' + mo.group())

    電話番号が見つかりました：080-1111-2222

    '()'を用いたグルーピング

    In [4]:
    phone_num_regex = re.compile(r'(\d\d\d)-(\d\d\d\d-\d\d\d\d)')
mo = phone_num_regex.search('私の電話番号は080-1000-2000です。')
    In [5]:
    print(mo.group(0))
print(mo.group(1))
print(mo.group(2))
print(mo.groups())

    080-1000-2000
080
1000-2000
('080', '1000-2000')

    '|'を使って複数のグループとマッチ

    例えばr'Batman|Spiderman'という正規表現は、'Batman'or'Spiderman'にマッチします。

    In [6]:
    hero_regex = re.compile(r'Batman|Spiderman')
mo1 = hero_regex.search('Batman and Yasmizuman')
mo1.group()
    Out[6]:
    'Batman'

    両方ある場合は最初に出現したほうが返ります。

    In [7]:
    mo2 = hero_regex.search('The Spiderman fights Batman and Yasumizuman')
mo2.group()
    Out[7]:
    'Spiderman'

    丸カッコと縦線とを応用

    In [8]:
    yasumizu_regex = re.compile(r'Yasumizu(man|woman|hotel)')
mo = yasumizu_regex.search('Yasumizuman lost his way back to Yasumizuhotel.')
mo.group(1)
    Out[8]:
    'man'

    '?'を用いた任意のマッチ

    In [9]:
    yasu_regex = re.compile(r'Yasumizu(wo)?man')
mo1 = yasu_regex.search('The Adveture of Yasumizuman')
mo1.group()
    Out[9]:
    'Yasumizuman'
    In [10]:
    mo2 = yasu_regex.search('The Adveture of Yasumizuwoman')
mo2.group()
    Out[10]:
    'Yasumizuwoman'

    '*'を用いた0回以上のマッチ

    In [11]:
    yasu_regex = re.compile(r'Yasu(mi)*zu')
mo1 = yasu_regex.search('The Adventure of Yasuzu')
mo1.group()
    Out[11]:
    'Yasuzu'
    In [12]:
    mo2 = yasu_regex.search('The Adventure of Yasumimimimimimimizu')
mo2.group()
    Out[12]:
    'Yasumimimimimimimizu'

    '+'を用いた1回以上のマッチ

    In [13]:
    yasu_regex = re.compile(r'Yasu(mi)+zu')
mo1 = yasu_regex.search('The Adventure of Yasumimimimimizu')
mo1.group()
    Out[13]:
    'Yasumimimimimizu'
    In [14]:
    mo2 = yasu_regex.search('The Adventure of Yasuzu')
mo2 == None
    Out[14]:
    True

    '{}'を用いて繰り返し回数を指定する

    例：(Ha){3} = (HaHaHa) , (Ha){3,5} = (HaHaHa|HaHaHaHa|HaHaHaHaHa)

    In [15]:
    ha_regex = re.compile(r'(Ha){3,5}')
mo1 = ha_regex.search('HaHaHaHaHa')
mo1.group()
    Out[15]:
    'HaHaHaHaHa'
    In [16]:
    mo2 = ha_regex.search('Ha')
mo2 == None
    Out[16]:
    True

    貪欲マッチ：ジャガビーは一番長いものをとる。

    Pythonの正規表現は、デフォルトでは貪欲マッチです。つまり、複数の可能性があると最も長い方にマッチします。

    In [17]:
    greedy_Ha_regex = re.compile(r'(Ha){3,5}')
mo1 = greedy_Ha_regex.search('HaHaHaHaHaHaHaHaHaHaHa')
mo1.group()
    Out[17]:
    'HaHaHaHaHa'

    非貪欲マッチ：遠慮して一番短いものをとる

    閉じカッコの後に?

    In [18]:
    nongreedy_Ha_regex = re.compile(r'(Ha){3,5}?')
mo2 = nongreedy_Ha_regex.search('HaHaHaHaHaHaHaHaHaHaHa')
mo2.group()
    Out[18]:
    'HaHaHa'

    findall()メソッド

    search()が最初に見つかった文字列を返すのに対し、findall()は見つかったすべての文字列を返します。 findall()はタプルのリストを返すことに注意。

    In [19]:
    phone_num_regex = re.compile(r'\d\d\d-\d\d\d\d-\d\d\d\d')
phone_num_regex.findall('Cell: 415-5555-9999 Work: 212-5555-0000')
    Out[19]:
    ['415-5555-9999', '212-5555-0000']
    In [20]:
    phone_num_regex = re.compile(r'(\d\d\d)-(\d\d\d\d)-(\d\d\d\d)')
phone_num_regex.findall('Cell: 415-5555-9999 Work: 212-5555-0000')
    Out[20]:
    [('415', '5555', '9999'), ('212', '5555', '0000')]

    続きはありますが、あまり出しすぎるとネタが無くなるので、今回はここまでにしておきます。 また書きます。

    上記の内容をうまく利用して、自分で電子メールアドレスの正規表現を作ってみてもおもしろいと思います。

    正規表現について、さらに詳しく

    Tags Python