Requlyar ifadələr: re modulu

Uzun mətndə bütün telefon nömrələrini tap, e-poçt ünvanının düzgün görünüb-görünmədiyini yoxla, bir milyon sətirlik log faylından tarixləri və xəta səviyyələrini çıxar. find() və split() ilə hər tapşırıq bir səhifəlik kövrək kod tələb edir. Requlyar ifadə (regex) axtardığın mətnin formasını bir qısa şablonla təsvir edir, axtarışı isə re modulu görür. Requlyar ifadələr hər yerdə işlədilir: mətn redaktorlarında, verilənlər bazalarında, əmr sətri alətlərində və saytlardakı formaların yoxlanmasında.

İlk addımlar: search, findall və xam sətirlər

Şablon kiçik xüsusi dildə yazılmış sətirdir. re.search(pattern, text) mətnin istənilən yerində birinci uyğunluğu tapır və Match obyekti (və ya None) qaytarır; .group() tapılan mətni verir. re.findall isə bütün uyğunluqların siyahısını qaytarır. \d «rəqəm», + isə «bir və ya daha çox» deməkdir:

import re

text = 'Order 17 shipped on 2026-09-15, order 245 on 2026-09-20.'
print(re.search(r'\d+', text))
print(re.search(r'\d+', text).group())
print(re.findall(r'\d+', text))
print(re.findall(r'\d{4}-\d{2}-\d{2}', text))
print(re.search(r'cancelled', text))

<re.Match object; span=(6, 8), match='17'>
17
['17', '2026', '09', '15', '245', '2026', '09', '20']
['2026-09-15', '2026-09-20']
None

Şablonların dili

import re

print(re.findall(r'\w+', 'Salam, dünya! Привет, мир!'))
print(re.findall(r'\b\w{4}\b', 'Baku is a large city by the sea'))
print(re.findall(r'colou?r', 'color or colour?'))
print(re.findall(r'[A-Z]\w*', 'Aysel and Murad met Leyla'))

['Salam', 'dünya', 'Привет', 'мир']
['Baku', 'city']
['color', 'colour']
['Aysel', 'Murad', 'Leyla']

Python 3-də \w Unicode-u başa düşür: istənilən əlifbanın hərflərinə uyğun gəlir, ona görə ə, ü hərfli və kiril sözlər də tapılır. \b söz simvolu ilə qeyri-söz simvolu arasındakı görünməz sərhədə uyğun gəlir, buna görə \b\w{4}\b uzun sözlərin hissələrini yox, məhz dörd hərfli bütöv sözləri tapır.

Qruplar və adlı qruplar

Mötərizələr qrup yaradır — uyğunluğun həqiqətən lazım olan hissəsini. m.group(n) n-ci qrupu qaytarır (0 nömrəli qrup bütün uyğunluqdur), m.groups() isə hamısını kortej kimi verir. Nömrələnmiş qruplar tez çaşdırır, ona görə onlara (?P<name>...) ilə ad ver və m['name'] kimi və ya hamısını birdən m.groupdict() ilə oxu. re.match yalnız sətrin əvvəlindən yoxlayır — bir log sətri üçün tam uyğundur:

import re

line = '2026-09-15 14:02:11 ERROR [payment] card declined'
m = re.match(r'(\S+) (\S+) (\w+) \[(\w+)\] (.*)', line)
print(m.group(3), '|', m.group(5))
print(m.groups())

named = r'(?P<date>\S+) (?P<time>\S+) (?P<level>\w+) \[(?P<module>\w+)\] (?P<msg>.*)'
m = re.match(named, line)
print(m['level'], m['module'])
print(m.groupdict())

ERROR | card declined
('2026-09-15', '14:02:11', 'ERROR', 'payment', 'card declined')
ERROR payment
{'date': '2026-09-15', 'time': '14:02:11', 'level': 'ERROR', 'module': 'payment', 'msg': 'card declined'}

Şablonda qruplar varsa, findall bütün uyğunluğu yox, qrupları qaytarır — qrup bir neçədirsə, kortej şəklində. Mövqelər və ya adlı qruplar da lazımdırsa, Match obyektlərini tənbəlcə verən **finditer** ilə dövr qur:

import re

phones = 'Aysel: +994 50 123 45 67, Murad: +994 55 765 43 21'
print(re.findall(r'\+994 (\d{2}) (\d{3} \d{2} \d{2})', phones))
for m in re.finditer(r'(?P<name>\w+): (?P<phone>\+994[\d ]+\d)', phones):
    print(m['name'], '->', m['phone'], m.span())

[('50', '123 45 67'), ('55', '765 43 21')]
Aysel -> +994 50 123 45 67 (0, 24)
Murad -> +994 55 765 43 21 (26, 50)

Acgöz və tənbəl kəmiyyət göstəriciləri

Kəmiyyət göstəriciləri susmaya görə acgözdür (greedy): .+ mümkün qədər çox mətn tutur və simvolları yalnız şablonun qalan hissəsi uyğun gəlmədikdə geri verir. Sonuna ? əlavə etsən, göstərici tənbəl olur (.+?, *?, ??): mümkün qədər az götürür. \1 geri istinaddır — 1-ci qrupla eyni mətnə uyğun gəlməlidir, ona görə bağlayan teq açan teqə uyğun gəlməlidir:

import re

html = '<b>bold</b> and <i>italic</i>'
print(re.findall(r'<.+>', html))
print(re.findall(r'<.+?>', html))
print(re.findall(r'<(\w+)>(.*?)</\1>', html))

['<b>bold</b> and <i>italic</i>']
['<b>', '</b>', '<i>', '</i>']
[('b', 'bold'), ('i', 'italic')]

Əvəzetmə, bölmə, bayraqlar və compile

re.sub(pattern, replacement, text) bütün uyğunluqları əvəz edir. Əvəzedici sətirdə \1, \2… qrupları yerləşdirir; sətir əvəzinə Match obyektini alıb yeni mətni qaytaran funksiya da vermək olar. re.split mətni şablona görə bölür, məsələn, vergül, nöqtəli vergül və boşluqların istənilən qarışığına görə:

import re

text = 'Call 050-123-45-67 or 055-765-43-21 today'
print(re.sub(r'\d{3}-\d{3}-\d{2}-\d{2}', '[hidden]', text))
print(re.sub(r'(\d{3})-(\d{3})-(\d{2})-(\d{2})', r'(\1) \2 \3 \4', text))
print(re.sub(r'\d+', lambda m: str(int(m.group()) * 2), 'a1 b22 c333'))
print(re.split(r'[,;\s]+', 'tea, coffee;  juice water'))

Call [hidden] or [hidden] today
Call (050) 123 45 67 or (055) 765 43 21 today
a2 b44 c666
['tea', 'coffee', 'juice', 'water']

Bayraqlar şablonun işini dəyişir: re.IGNORECASE (re.I) hərflərin böyük-kiçikliyinə baxmır, re.MULTILINE (re.M) ^ və $-ı hər sətrin əvvəli və sonu edir, re.DOTALL (re.S) .-yə yeni sətir simvolunu da tutmağa icazə verir, re.VERBOSE (re.X) isə şablonun içində boşluqlara və # şərhlərinə imkan yaradır. Dəfələrlə işlədilən şablonu re.compile ilə bir dəfə kompilyasiya etmək olar:

import re

EMAIL = re.compile(r'''
    [\w.+-]+           # user name
    @
    [\w-]+(\.[\w-]+)+  # domain with at least one dot
''', re.VERBOSE)

for address in ['leyla@mail.az', 'elvin.m@edu.gov.az', 'wrong@site', 'no at.com']:
    print(f'{address:20} {bool(EMAIL.fullmatch(address))}')

log = 'ERROR one\ninfo two\nError three'
print(re.findall(r'^error.*$', log, re.IGNORECASE | re.MULTILINE))

leyla@mail.az        True
elvin.m@edu.gov.az   True
wrong@site           False
no at.com            False
['ERROR one', 'Error three']

• re.match — yalnız sətrin əvvəlində yoxlayır.
• re.search — istənilən yerdə birinci uyğunluğu tapır.
• re.fullmatch — bütün sətir şablona uyğun gəlməlidir.
• re.findall / re.finditer — bütün uyğunluqlar (siyahı / Match obyektlərinin iteratoru).
• re.sub, re.split — əvəz etmək və bölmək.

import re

text = 'Exams: 15.06.2026 (math), 18.06.2026 (physics), 22.06.2026 (history).'
# 1) print the list of all dates DD.MM.YYYY
# 2) print the text with every date rewritten as YYYY-MM-DD

['15.06.2026', '18.06.2026', '22.06.2026']
Exams: 2026-06-15 (math), 2026-06-18 (physics), 2026-06-22 (history).

import re

config = 'host = localhost\nport=8080\n# comment\ndebug =  true'
# build a dict {key: value} from the 'key = value' lines and print it

{'host': 'localhost', 'port': '8080', 'debug': 'true'}