Регулярные выражения

Немного истории

• неплохая методичка, в которой есть практически всё про РВ, о чём говорилось в лекции. Серьёзно, прямо план лекции.

Копия плана (примеры и пояснения см. на сайте):

• Что такое РВ?
• Спецсимволы
  • Точка
  • Набор символов (диапазон)
    • Отрицание набора символов
  • Повторения
    • Звёздочка
    • Плюс
    • Знак вопроса
  • Фигурные скобки
  • Скобочные группы (карманы)
  • Альтернация
  • Экранирование
  • Позиционные маркеры
    • Каретка
    • Доллар
• Дополнительные диапазоны и позиционные маркеры
• Контекстные проверки
  • Предпросмотр, негативный предпросмотр
  • Пост-просмотр, негативный пост-просмотр
• Флаги
  • Поиск без учета регистра
  • Многостроковый поиск

    • Перевод строки как любой символ

• Жадные vs ленивые повторители

Особенности Python

• Работа функций match() и search()

  • Результат — последовательность Match Object-ов

• Удобные инструменты: findall() / finditer(); esacpe(), split()

Поиск с заменой

В методичке нет про поиск с заменой sub()

• Самоцитаты (back references) — \номер скобочной группы (номер открывающей скобки в целом RE)

  • Пример: (\w+).*(\1) на текст Matches between zero and unlimited times, as match times

• Использование цитат в sub():

  • sub(r"(\w+).(\w+)", r"\2 — \1 — \1", "---qwerty---")

Ещё почитать

• MRE

• re

Д/З

0. Прочитать и прощёлкать

   • методичку по regexp-ам

   • Howto

   • примеры в документации

   • В частности, Match Objects

1. EJudge: RegexDump 'Структура РВ'

   Написать программу, которой на вход подаётся синтаксически верное регулярное выражение, а затем — строки поиска (последняя строка пустая). Программа должна выводить информацию о первой найденной в строке поиска подстроке, соответствующей регулярному выражению, в таком формате:

   • Если подстрока не найдена, выводится «<NONE>»

   • Если подстрока найдена, выводится позиция: подстрока, где «позиция» — это номер символа в строке, начиная с которого была найдена подстрока

   • Если в регулярном выражении присутствовала группировка с сохранением (попросту скобочки), выводится номер группы/позиция: подстрока для каждой группы

   • Если в регулярном выражении присутствовали именованные группы, выводится имя группы/позиция: подстрока для каждой группы (в порядке их появления в re.Match.groupdict())

   • Если какая-то группа присутствует в исходном выражении, но не нашла сопоставления (например, была помечена повторителем * и пропущена), она не выводится

   Input:

   (\w)+(@+)?(?P<nonalpha>\W+)--(\w+)
   ^_^awww-----foo;_;
   #$qwer@@@--wqer#$

   Output:

   3: awww-----foo
   1/6: w
   3/7: ---
   4/12: foo
   nonalpha/7: ---
   2: qwer@@@--wqer
   1/5: r
   2/6: @@
   3/8: @
   4/11: wqer
   nonalpha/8: @

2. EJudge: PigLatin 'Поросячья латынь'

   Согласно правилам «поросячьей латыни» английские слова при разговоре преобразуются так:

   • Если слово начинается на согласную — эта согласная переносится в конец слова, после чего добавляется «ay»: "latin" ⇒ "atinlay"

   • Если слово начинается на несколько согласных, они все переносятся в конец слова, после чего добавляется «ay»: "stupid" ⇒ "upidstay"

   • Если слово начинается на гласную, "aouie" (не "y"!), cодержит согласные и имеет более одного слога, лидирующие гласные и все согласные за ними переносятся в конец с добавлением «ay»: "under" ⇒ "erunday" (в Википедии это второй вариант)

     • для нашего удобства непроизносимые гласные тоже считаются слогом, например "are" ⇒ "earay"; (так исторически не было: язык всё-таки разговорный)

   • Односложные слова, начинающиеся на гласную, а также слова, состоящие из одних только гласных, просто дополняются «yay»: "egg" ⇒ "eggyay"

   • Последовательности, состоящие только из согласных, не изменяются (например, такой последовательностью является «my»)

   • Апостроф считается согласной буквой (маленькой), а дефис — разделителем (опять-таки для простоты)

   Написать программу, которая построчно вводит «английский» текст (текст, содержащий последовательности латинских букв и другие символы; последняя строка пустая) и выводит перевод на поросячью латынь (для простоты любая последовательность английских букв с гласными считается словом). Обратите внимание на то, что слово, написанное со заглавной буквы, в поросячьей латыни также пишется со заглавной буквы. Более одной заглавной буквы в слове не встречается.

   Input:

   This is an example of Hog Latin. As you can see, it's silly,
   but lots of fun for children.

   Output:

   Isthay isyay anyay ampleexay ofyay Oghay Atinlay. Asyay ouyay ancay eesay, it'syay illysay,
   utbay otslay ofyay unfay orfay ildrenchay.

3. EJudge: ChicagoTurabian 'Чикаго Турабьян'

   Написать программу, которой на вход подаётся две строки — внутритекстовая ссылка N на некоторую книгу и библиографическая ссылка B на эту же книгу. программа должна проверить, что обе ссылки синтаксически верны и ссылаются на одну и ту же книгу. Формат ссылок — упрощённый стиль Турабьян. Вывод программы — True, если B соответствует N, и False — если не соответствует, или такое соответствие невозможно определить из-за синтаксической некорректности

   • Полное описание стиля для задачи с примерами

     • Обратите внимание на то, как в B слились точка после инициала автора и точка после списка авторов.

   • Будем считать, что страница может быть указана или одна, или диапазоном

     • Во всех примерах со страницами «–» — это не «—» и не «-». Серьёзно! А в интернете бывает все три.

   • Будем считать, что у первого автора всегда есть и имя, и фамилия
   • Никаких вложенных скобок!

   • Обратите внимание на т. н. «оксфордскую запятую» перед словом «and» в перечне авторов: она не соблюдается только для двух авторов в N, а в остальных случаях — для трёх и более авторов в N и для двух и более авторов в B — соблюдается)

   Input:

   42. Roger Frey, Utility and Rights (Minneapolis: University of Minnesota Press, 1984), 95.
   Frey, Roger. Utility and Rights. Minneapolis: University of Minnesota Press, 1984.

   Output:

   True

   • Это довольно кропотливая задача из реальной жизни с «некрасивым» решением