Dev Blog

Регулярні вирази ​

Синтаксис регулярних виразів ​

Регулярний вираз (regular expression, regex) описує множину рядків за структурою. Модуль re належить до стандартної бібліотеки: https://docs.python.org/3.14/library/re.html. Спочатку сформулюйте допустимі приклади словами, потім побудуйте вираз і перевірте його на правильних та неправильних рядках.

Звичайні літери означають самі себе. Крапка означає будь-який символ, крім переносу рядка за замовчуванням; \. означає буквальну крапку. Квадратні дужки задають один символ із набору: [0-9], [ABC]. Запис [^0-9] – один символ поза набором цифр ASCII. Дефіс у середині класу може задавати діапазон, тому буквальний дефіс слід екранувати або розташовувати на краю.

Класи, повторення та альтернативи ​

\d відповідає десятковій цифрі Unicode, \w – літері, цифрі або підкресленню, \s – пробільному символу. Це ширші множини, ніж цифри ASCII або звичайний пробіл. Для телефонного номера, записаного цифрами 0–9, явно пишіть [0-9]. Для українського алфавіту набір [а-я] неповний: потрібні також «і», «ї», «є», «ґ»; у ньому є й літери, що не належать до українського алфавіту. Точний алфавіт краще задати явно або перевірити множиною дозволених літер.

Квантифікатор * означає нуль або більше повторень, + – одне або більше, ? – нуль або одне, {m,n} – від m до n включно. Вони стосуються попереднього атома: символу, класу чи групи. ab+ – літера a та одна або кілька b; (ab)+ – повторення пари. Альтернатива cat|dog обирає один із двох варіантів.

Якір ^ позначає початок рядка, $ – кінець або позицію перед кінцевим переносом. Тому для строгої перевірки всього введення зручніше fullmatch, а не поєднання match із $. Межа слова \b визначається переходом між \w і \W, а не словником української мови: апостроф може створити межу всередині слова.

Жадібні й ліниві повторення ​

За замовчуванням повторення жадібне (greedy): воно намагається охопити якомога більше, залишаючи можливість решті виразу збігтися. Додатковий ? робить повторення лінивим. Але жоден із цих режимів не перетворює regex на повний аналізатор вкладеної розмітки.

py
import re

text = "<b>Оля</b><i>Іван</i>"
print(re.findall(r"<.*>", text))
print(re.findall(r"<.*?>", text))

Перший результат – список з усім рядком, другий – ['<b>', '</b>', '<i>', '</i>']. Для тегів із лапками, вкладених елементів і пошкодженого HTML потрібен спеціалізований парсер. Навчальна демонстрація різниці квантифікаторів не є HTML-конвертером.

Групи, прапорці та об’єкт Match ​

Звичайні круглі дужки запам’ятовують фрагмент. Іменована група (?P<name>...) дозволяє звертатися до нього за назвою; незахоплювальна (?:...) групує вираз без окремого результату. Повторно використати вже знайдений текст можна через зворотне посилання \1 або (?P=name).

py
import re

pattern = re.compile(r"(?P<code>\+380) ?(?P<num>[0-9]{9})")
match = pattern.fullmatch("+380 671234567")
if match is not None:
    print(match.group("code"), match.group("num"))
    print(match.span("num"))
print(pattern.fullmatch("+380 671234567\n") is None)

Результат: +380 671234567, далі (5, 14) і True. Метод span повертає напіввідкритий інтервал: початок включено, кінець не включено. group(0) містить увесь збіг, groups() – кортеж звичайних груп, groupdict() – словник іменованих. Перед зверненням до груп треба перевірити, чи результат не None.

Рис. 6.5. Складові виразу для навчального формату номера

Перегляд уперед і назад ​

Перевірки (?=...) та (?!...) вимагають наявності або відсутності фрагмента далі, але не споживають його. Наприклад, (?=.*[0-9]) перевіряє, чи є цифра далі в тому самому рядку. Аналогічні (?<=...) та (?<!...) перевіряють попередній текст. У модулі re шаблон перегляду назад має мати фіксовану довжину: довільне (?<=a+) не допускається. Для кількох правил валідації часто зручніше виконати кілька зрозумілих перевірок і пояснити кожну помилку, ніж складати один довгий вираз.

re.IGNORECASE вимикає врахування регістру; re.MULTILINE змінює значення ^ та $ на початки й кінці рядків. Він не дозволяє крапці охоплювати перенос – для цього є re.DOTALL. re.VERBOSE дозволяє розбити вираз на рядки й додати коментарі; звичайні пробіли поза класами тоді ігноруються. Щоб вимагати пробіл, використовуйте [ ] або екранування.

Знімок екрана

Cursor in re.compile pattern, Alt+Enter, Check RegExp.

Рис. 6.6. Перевірка навчального регулярного виразу у PyCharm

Пошук, витяг і перетворення даних ​

re.match перевіряє початок тексту, re.search шукає перший збіг у будь-якій позиції, re.fullmatch – весь текст. finditer повертає ітератор об’єктів Match, зручний для груп та позицій. findall повертає список, форма елементів якого залежить від кількості захоплювальних груп: увесь збіг, одна група або кортеж груп.

py
import re

text = "A12 B7 C305"
print(re.findall(r"[A-Z][0-9]+", text))
print(re.findall(r"([A-Z])([0-9]+)", text))
print(re.split(r"[;,]\s*", "один, два;три"))

Результат:

['A12', 'B7', 'C305']
[('A', '12'), ('B', '7'), ('C', '305')]
['один', 'два', 'три']

Якщо дужки потрібні лише для альтернативи, використовуйте (?:...), щоб не змінити результат findall. У re.split захоплювальні групи додають розділювачі до результату – це корисно для аналізатора, але може здивувати під час простого розбиття тексту.

Заміна зі збереженням змісту ​

re.sub приймає рядок заміни або функцію, яка отримує Match і повертає новий текст. Посилання на групу в рядку заміни Python має вигляд \g<name> або \g<1>. Не плутайте його із синтаксисом $1 у вікні заміни редактора. Функція-замінник дозволяє перетворити тип, обчислити значення та перевірити семантику.

py
import re


def double(match: re.Match[str]) -> str:
    return str(int(match.group()) * 2)


print(re.sub(r"[0-9]+", double, "Шафа 12, стіл 3"))
print(re.sub(r"([A-Z])([0-9]+)", r"\g<2>-\g<1>", "A12"))

Результат: Шафа 24, стіл 6 та 12-A. Дата виду 31.02.2026 відповідає простому шаблону цифр, але не існує в календарі. Після перевірки форми потрібно викликати datetime.date і перехопити ValueError. Аналогічно regex не підтверджує існування поштової скриньки чи доступність телефонного номера.

Знімок екрана

Ctrl+R; enable Regex; search date groups; replacement $3-$2-$1.

Рис. 6.7. Попередній перегляд заміни формату дати в редакторі

У PyCharm спочатку перевірте один збіг, потім перегляньте всі заміни, і лише після цього виконайте їх. Вікно редактора може мати інший рушій regex, ніж re у Python; остаточна перевірка програми завжди виконується її інтерпретатором. Довідка: https://www.jetbrains.com/help/pycharm/regular-expressions.html.