عبارت‌های منظم و استخراج اطلاعات

جست‌وجو بر اساس الگو

وقتی به جای یک متن ثابت، الگویی مثل «چند رقم پشت سر هم» می‌خواهی، عبارت منظم کمک می‌کند. ابتدا import re بنویس. برای متن ثابت، in یا startswith معمولاً ساده‌تر است.

re.search شیء Match یا None می‌دهد، نه مستقیماً True و False؛ در if می‌توان از درست یا نادرست بودن آن استفاده کرد. re.findall فهرست تطبیق‌ها را برمی‌گرداند.

import re
text = "Group 12 has 3 projects and 24 points"
numbers = re.findall(r"[0-9]+", text)
print(numbers)

['12', '3', '24']

نشانه‌های اصلی

^ ابتدای متن و $ انتهای متن را مشخص می‌کند. [0-9] یک رقم و [a-z] یک حرف انگلیسی کوچک است. + یعنی یک یا بیشتر، و * یعنی صفر یا بیشتر از الگوی قبلی.

نقطه معمولاً هر نویسه به جز پایان خط را می‌گیرد. \s برای فاصلهٔ سفید و \S برای غیرِ فاصله است. [^ ] نویسه‌ای به جز فاصلهٔ معمولی می‌گیرد. با پیشوند r، بک‌اسلش‌های الگو را روشن‌تر می‌نویسیم.

import re
for line in ["Score: 18", "Note: practice", "Score: 20"]:
    if re.search(r"^Score:", line):
        print(line)

Score: 18
Score: 20

حریصانه و کمینه

تکرارهای * و + معمولاً تا جایی که تطبیق کامل ممکن باشد، بخش بیشتری می‌گیرند. افزودن ? مثل +? باعث می‌شود کوتاه‌ترین بخش سازگار با ادامهٔ الگو انتخاب شود.

در نمونه، الگوی اول تا آخرین دو نقطه پیش می‌رود و الگوی دوم در اولین دو نقطه پایان می‌یابد.

import re
text = "From: Using the : character"
print(re.findall(r"^F.+:", text))
print(re.findall(r"^F.+?:", text))

['From: Using the :']
['From:']

گروه استخراج و کاراکتر خاص

پرانتز بخش مورد نظر برای استخراج را مشخص می‌کند. در الگوی @([^\s]+)، تطبیق از @ آغاز می‌شود اما فقط بخش داخل پرانتز در خروجی findall می‌آید.

برای نقطهٔ واقعی از \. و برای علامت دلار واقعی از \$ استفاده کن. این الگوهای آموزشی برای متن با ساختار معلوم‌اند و اعتبارسنج کامل همهٔ آدرس‌های ایمیل نیستند.

import re
text = "From sara@example.org Saturday"
print(re.findall(r"^From \S+@([^\s]+)", text))

['example.org']

تبدیل نتیجه به عدد

خروجی findall رشته است. بعد از بررسی تعداد تطبیق‌ها، آن‌ها را int یا float کن و محاسبه انجام بده. اگر فهرست خالی باشد، پیش از max یا تقسیم تصمیم بگیر چه پیامی بدهی.

الگو را با نمونهٔ درست، متن بدون تطبیق و مرزهای آن آزمایش کن. الگوی [0-9.]+ ممکن است متن‌هایی مثل 1..2 را هم بگیرد؛ برای اعداد ساده با حداکثر یک بخش اعشاری، الگوی دقیق‌تری لازم است.

جمع امتیازها

از متن «score=12 score=8 score=20» عددهای بعد از score= را استخراج و جمع کن. نتیجه ۴۰ است.

import re
text = "score=12 score=8 score=20"
values = re.findall(r"score=([0-9]+)", text)
total = 0
for value in values:
    total += int(value)
print(total)

40

خودآزمایی

پاسخ را انتخاب کن و دلیل آن را بخوان. این بخش برای تمرین است و نمرهٔ رسمی ثبت نمی‌کند.