[Python] regex 정규표현식

공부 목적으로 정리한 글이며 다른 분들의 포스트를 상당히 참고했습니다

Regular Expression

  • 정규표현식 Regular Expression은 줄여서 regex라고 부르기도 한다.

  • 특정한 규칙을 가진 문자열의 집합을 표현하는 데 사용하는 형식이다.

  • 파이썬 뿐 아니라 다른 언어에서도 사용하며, 활용성이 매우 높다.



Meta Characters

  • 메타 문자란 문자 본래의 의미가 아닌 특정용도로 사용되는 문자를 의미한다.
  • 정규 표현식에 사용되는 메타 문자
.^$*+?\|(){}[]

[ ] 메타 문자

  • 대괄호 안에 포함된 문자 중 하나가 포함(혹은 매치)
[abc] # a 또는 b 또는 c 

- 메타 문자

  • - 문자는 [ ] 안에서 문자 사이의 범위를 의미한다. () 소괄호 안에서는 문자 '-' 그대로의 의미이다.
[a-c]    # a부터 c까지
[a-zA-Z] # 모든 알파벳
[abc]    # 동일한 결과

^ 메타 문자

  • ^ 문자는 ^뒤의 문자로 시작하면 문자와 매치된다.
    • 여러 문자열인 경우 첫 줄만 적용되지만, re.MULTILINE 옵션을 사용하면 각 줄에 적용된다.
^a    # a로 시작하는 문자
aaa   # 매치
baa   # 매치되지 않음
  • ^ 문자는 [ ] 안에서 반대를 의미한다.
[^a-c]    # a부터 c까지를 제외한 문자

. 메타 문자

  • . 문자는 두 문자 사이에 줄바꿈 문자인 \n를 제외한 모든 문자와 매치된다.

  • 점 하나 당 하나의 문자이다. a..b 이면 a와 b 사이에 문자 2개가 있는 경우를 의미한다. '.' 문자 그대로 사용하려면 '.' 로 사용해야 한다.

a.b # a와 b 사이에 \n를 제외한 모든 문자
aab # a와 b 사이에 a는 모든 문자에 포함됨으로 매치
abc # a와 b 사이에는 문자가 없음으로 매치되지 않음
  • . 문자는 [ ] 안에서 원래 의미인 마침표를 의미한다.
a[.]b # a와 b 사이에 마침표가 있으면 매치
a.b   # a와 b 사이에 마침표가 있음으로 매치
a0b   # a와 b 사이에 마침표가 없음으로 매치되지 않음

* 메타 문자

  • * 문자는 앞 문자가 0개 이상일 때 매치된다.
ab*c # a와 c 사이에 b가 0개 이상인 문자
ac   # a와 c 사이에 b가 0개임으로 매치
abc  # a와 c 사이에 b가 1개임으로 매치
adc  # a와 c 사이에 d가 1개임으로 매치되지 않음

+ 메타 문자

  • + 문자는 앞 문자가 1개 이상일 때 매치된다.
ab*c  # a와 c 사이에 b가 1개 이상인 문자
ac    # a와 c 사이에 b가 0개임으로 매치되지 않음
abbbc # a와 c 사이에 b가 3개임으로 매치
adc   # a와 c 사이에 d가 1개임으로 매치되지 않음

? 메타 문자

  • ? 문자는 앞 문자가 0~1개일 때 매치된다.
ab?c  # a와 c 사이에 b가 0~1개인 문자
ac    # a와 c 사이에 b가 0개임으로 매치
abbbc # a와 c 사이에 b가 3개임으로 매치되지 않음
adc   # a와 c 사이에 d가 1개임으로 매치되지 않음

{m} 메타 문자

  • {m} 문자는 앞 문자가 m번 반복될 때 매치된다.
ab{3}c    # a와 c 사이에 b가 3개인 문자
ac        # a와 c 사이에 b가 0개임으로 매치되지 않음
abbbc     # a와 c 사이에 b가 3개임으로 매치
abbbbbc   # a와 c 사이에 b가 5개임으로 매치되지 않음

{m, n} 메타 문자

  • {m, n} 문자는 앞 문자가 m번에서 n번까지 반복될 때 매치된다.
ab{3, 5}c # a와 c 사이에 b가 3~5개인 문자
ac        # a와 c 사이에 b가 0개임으로 매치되지 않음
abbbc     # a와 c 사이에 b가 3개임으로 매치
abbbbbbc  # a와 c 사이에 b가 6개임으로 매치

| 메타 문자

  • | 문자는 여러 개의 정규표현식을 or로 구분하며, 이중 하나와 매치된다.
a|b|c  # a 또는 b 또는 c인 문자
ac     # 매치
b      # 매치
d      # 매치되지 않음

$ 메타 문자

  • $ 문자는 $ 문자 앞의 문자로 끝나면 매치된다.

  • 여러 문자열인 경우 마지막 줄만 적용되지만, re.MULTILINE 옵션을 사용하면 각 줄에 적용된다.

a$    # a로 끝나는 문자
aaa   # 매치
aab   # 매치되지 않음

\A, \Z 메타 문자

  • \A 문자는 ^와 동일하지만 re.MULTILINE 옵션을 무시하고 항상 문자열 첫 줄의 시작 문자를 검사한다.
  • \Z$ 와 동일하지만 re.MULTILINE 옵션을 무시하고 항상 문자열 마지막 줄의 끝 문자를 검사한다.

\s, \w, \d

  • \A 문자는 ^와 동일하지만 re.MULTILINE 옵션을 무시하고 항상 문자열 첫 줄의 시작 문자를 검사한다.
  • \Z$ 와 동일하지만 re.MULTILINE 옵션을 무시하고 항상 문자열 마지막 줄의 끝 문자를 검사한다.

문자 그대로의 \ 사용하기

  • 표현식에서 문자 그대로의 \을 표현하는 방법은 2가지가 있다.
re.compile('\\\\string', '\string') #가독성이 떨어지니 2번째 방법을 자주 사용한다
re.compile(r'\\string', '\string')



조건식이 있는 표현식

표현식1(?=표현식2)

  • 표현식1 뒤의 문자열이 표현식2와 동일할 때 표현식1이 매치된다.
'hello(?=world)' # hello 뒤에 world가 있으면 hello 매치
helloworld       # 매치
byeworld         # hello가 없음으로 매치되지 않음
hellohello       # hello 뒤에 world가 없음으로 매치되지 않음

표현식1(?!표현식2)

  • 표현식1 뒤의 문자열이 표현식2와 동일하지 않을 때 표현식1이 매치된다.
'hello(?!world)' # hello 뒤에 world가 없으면 hello 매치
helloworld       # 매치되지 않음
byeworld         # hello가 없음으로 매치되지 않음
hellohello       # hello 뒤에 world가 없음으로 매치

(?<=표현식1)표현식2

  • 표현식2 앞의 문자열이 표현식1과 동일할 때 표현식2가 매치된다.
'(?<=hello)world' # world 앞에 hello가 있으면 world 매치
helloworld       # 매치
byeworld         # hello가 없음으로 매치되지 않음
worldworld       # world 앞에 world가 없음으로 매치되지 않음

(?<!표현식1)표현식2

  • 표현식2 앞의 문자열이 표현식1과 동일하지 않을 때 표현식2가 매치된다.
'(?<!hello)world' # world 앞에 hello가 없으면 world 매치
helloworld       # 매치되지 않음
byeworld         # hello가 없음으로 매치
worldworld       # world 앞에 world가 없음으로 매치



python re 모듈

  • python의 re 모듈을 통해 정규표현식을 사용
import re

정규표현식 compile 하기

  • re.compile() 을 통해 정규표현식을 컴파일 하여 변수에 저장한 후 사용할 수 있다.
  • 정규표현식 변수는 _sre.SRE_Pattern 패턴 클래스 객체이다.
r = re.compile('정규표현식')
print(type(r))


compile 옵션

re.DOTALL , re.S

  • re.DOTALL 혹은 re.S 옵션을 넣어주면 .을 사용했을 때 \n 또한 포함하여 매칭한다.
rg = re.compile('.')
rs = rg.findall('12\n34')
print(rs)

옵션을 추가하지 않으면 \n 은 매칭되지 않는다.

rg = re.compile('.', re.DOTALL)
rs = rg.findall('12\n34')
print(rs)

옵션을 추가하면 \n 또한 매칭된다.


re.IGNORECASE , re.I

  • re.IGNORECASE 혹은 re.I 옵션을 넣어주면 대소문자를 구별하지 않고 매칭한다.
re.compile('[a-z]', re.IGNORECASE)  # 알파벳 대소문자 모두 매칭

re.MULTILINE , re.M

  • re.MULTILINE 혹은 re.M 옵션을 넣어주면 앞 혹은 뒤의 문자를 확인하는 ^$를 여러 줄의 문자열에도 적용 가능하게하여 매칭한다.

re.VERBOSE , re.X

  • re.VERBOSE 혹은 re.X 옵션을 넣어주면 정규표현식에 공백과 코멘트를 추가하여 더욱 가독성 좋게 표현식을 작성할 수 있다.

  • [] 내의 공백은 제외

re.compile(r"""
              [a-z] #알파벳 소문자
""", re.VERBOSE)

매서드

match 매서드

  • 패턴 객체의 match 매서드는 문자열의 시작부분 부터 검색하여 일치하지 않는 부분이 나올 때까지 찾는다.
r = re.compile('[a-z]+')   # 알파벳이 하나 이상 반복되는 지
print(r.match('abcabc'))
print(r.match('123abc'))
print(r.match('abc123'))
# 또는
print(re.match('abc', 'abcabc'))


search 매서드

  • search 매서드는 문자열 전체에서 검색하여 처음으로 매치되는 문자열을 찾는다.
print(r.search('abcabc'))
print(r.search('123abc'))
print(r.search('123abc'))
# 또는
print(re.search('abc', 'abcabc'))


findall 매서드

  • findall 매서드는 문자열 전체에서 일치하는 모든 패턴을 찾아 리스트로 반환한다.
print(r.findall('123abc456def'))
# 또는
print(re.findall('abc', 'abcabc'))


finditer 매서드

  • finditer 매서드는 문자열 전체에서 일치하는 모든 패턴을 찾아 반복가능 객체로 반환한다.

  • 반환타입은 callable_iterator 이다. 반복가능한 객체의 각 요소는 match 객체이다.

fitr = r.finditer('1a2b3c4d')
print(type(fitr))

for i in fitr:
    print(i)


sub 매서드

  • sub 매서드는 문자열에서 특정 문자 패턴을 원하는 문자로 변경할 수 있다.
text = re.sub('찾을 패턴', '패턴 변경할 내용', '원본')



match 객체와 매서드

  • finditer 각 요소들 처럼 반환된 match 객체는 아래와 같은 정보를 담고있다.
<_sre.SRE_Match object; span=(매치 시작지점 인덱스, 매치 끝지점 인덱스), match='매치된 문자열'>
  • match 객체는 각 정보에 접근할 수 있는 매서드를 제공한다.
    • group() : 매치된 문자열 출력
    • start() : 매치 시작지점 인덱스 출력
    • end() : 매치 끝지점 인덱스 출력
    • span() : (start(), end())를 튜플로 출력
fitr = r.finditer('1a2b3c4d')
for i in fitr:
    print(i. group(), i.start(), i.end(), i.span())



그룹화

  • 소괄호를 사용해 그룹화와 캡쳐 기능을 사용할 수 있다.

그룹화

  • 위의 표현식에 대한 문자들은 하나의 문자에만 적용되어 불편함이 있다.

  • 예를 들어 '12'가 반복되는 '12', '1212', '121212' 와 같은 문자를 매칭하고 싶지만 '12+'는 '122', '12222'와 같이 문자 '2'에만 적용되어 반복된다.

re.findall('12+','12221212')


  • 표현식을 그룹화 하여 문자를 적용하면 이러한 불편함을 해결할 수 있다.
re.match('(12)+','1212')


  • 여러개의 그룹으로 만들 수 있다. groups() 매서드를 사용하면 그룹들을 튜플 형태로 리턴할 수 있다. group() 매서드를 사용하면 각 그룹에 대한 매치 결과를 얻을 수 있다.
pp = re.match('(12)...(de)', '12abcde67')
grouping = pp.groups()
print(grouping)

print(pp.group(),   # 전체 매치 결과
      pp.group(0),  # 전체 매치 결과와 동일
      pp.group(1),  # 첫번째 그룹 매치 결과
      pp.group(2))  # 두번째 그룹 매치 결과


의문인 점: 'de' 그룹으로 매칭할 때 match 함수라면 none 결과가 나와야 하는 것 아닌지..?


  • 'find~' 매서드는 소괄호를 사용할 때 예외 사항이 있다. 이것은 소괄호의 캡쳐 기능과 연관이 있다. findall 매서드는 소괄호를 사용하면 캡처기능으로 인해 캡처 그룹만을 리스트로 반환한다.
re.findall('(12)+','12221212')

for i in re.finditer('(12)+','12221212'):
    print(i)


소괄호 그룹 순서

  • 여는 소괄호의 순서에 따라, 가장 바깥쪽 소괄호부터 첫번째 그룹이 된다.

그룹 이름 지정

  • 그룹에 이름을 지정하려면 (?P<그룹이름>표현식) 형식을 사용해야 한다.
b = re.search('(?P<f>12)(?P<s>34)', '1234')
print(b.group('f'), b.group('s'))

  • 표현식에서 그룹이름으로 호출할 수도 있다.
re.search('(?P<f>12)(?P<s>34)..(?P=f)(?P=s)', '1234561234')


그룹 재참조

  • 표현식에서 \그룹번호를 사용해 그룹을 재참조할 수 있다. 표현식 앞에 r을 붙여야 한다.
re.search(r'(?P<f>12)(?P<s>34)..\1\2', '1234561234')



캡처

  • 표현식과 매치되는 문자 중에서 원하는 부분만 추출하고 싶을 때 소괄호의 캡처 기능을 사용한다.
print(re.findall('\d{4}-(\d\d)-(\d\d)', '2028-07-28'))
print(re.findall('\d{4}-(\d\d)-(\d\d)', '1999/05/21 2018-07-28 2018-06-31 2019.01.01'))


비 캡처 기능

  • 소괄호를 사용해 그룹화는 하고 싶지만 캡처 기능은 사용하고 싶지 않은 경우가 있다.
    '121212'만 필요하나 그룹화 때문에 '12' 또한 캡처 된 경우 ⬇️
a = re.search('((12)+)','aaa121212')
print(a)
print(a.group(1))
print(a.group(2))


  • 비캡처 그룹은 (?:<regex>) 와 같이 사용한다.

  • 비캡처 그룹은 재참조가 불가하다.

  • 소괄호 뒤에 물음표가 붙는 (?s) 와 같은 모드 변경자 또한 캡처 그룹으로 작동하지 않는다.

a = re.search('((?:12)+)','aaa121212')
print(a)
print(a.group(1))
print(a.group(2))


두번째 그룹은 없다는 오류가 발생한다. (비 캡처 그룹으로 지정했기 때문)



Reference

좋은 웹페이지 즐겨찾기