Bỏ qua đến nội dung chính
Mục lục

Regex là gì? Biểu thức chính quy trong Python (module re)

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 10/25 · Chương 19

Thư viện chuẩn thường dùng

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Regex trong Python (biểu thức chính quy, regular expression) là một chuỗi mẫu mô tả cả một họ chuỗi, như "hai chữ DH rồi bốn chữ số", để module re tìm, kiểm tra hay thay thế trong văn bản. Bạn cần nó khi phải lấy các mã đơn, số điện thoại hay email nằm lẫn trong tin nhắn của khách, những thứ find() với một chuỗi cố định không tìm nổi.

Cần biết trước: chuỗi thô r"", find() và count() và None.

Regex là gì: một mẫu thay cho một chuỗi cố định

Khách nhắn hỏi về đơn hàng mà bạn chưa biết mã nào. find("DH1024") chỉ tìm đúng chuỗi DH1024, còn mẫu DH\d\d\d\d khớp bất kỳ mã nào gồm DH và bốn chữ số, vì \d là "một chữ số bất kỳ":

python
import re

tin_nhan = "Khách hỏi đơn DH1024 và DH1031 đã giao chưa"
print(tin_nhan.find("DH1024"))
ket_qua = re.search(r"DH\d\d\d\d", tin_nhan)
print(ket_qua)
print(ket_qua.group(), ket_qua.start())
print(re.search(r"DH\d\d\d\d", "Chưa có mã đơn"))

KẾT QUẢ

14
<re.Match object; span=(14, 20), match='DH1024'>
DH1024 14
None

re.search(mau, chuoi) tìm chỗ khớp đầu tiên và trả về một object Match: .group() là đoạn khớp, .start() là chỉ số bắt đầu. Không có chỗ nào khớp thì nó trả về None, nên kiểm if ket_qua is not None: trước khi gọi .group(). Mẫu nên viết bằng chuỗi thô r"...": dấu \ trong đó được giữ nguyên cho re đọc, Python không biến nó thành ký tự escape.

Ký tự đặc biệt và lớp ký tự

Trong mẫu, phần lớn ký tự khớp chính nó, còn một nhóm nhỏ có nghĩa riêng. \d khớp một chữ số, \w một ký tự của từ (chữ cái, chữ số, dấu _), \s một khoảng trắng, . một ký tự bất kỳ trừ xuống dòng. Cặp ngoặc vuông là lớp ký tự: [0-9] khớp một chữ số, [^...] khớp một ký tự không có trong ngoặc. Muốn khớp chính dấu chấm thì viết \.:

python
import re

dong = "Đà Lạt: 2 ly trà_đào, giá 35.000 đ!"
print(re.findall(r"\w+", dong))
print(re.findall(r"\w+", dong, flags=re.ASCII))
print(re.findall(r"[0-9]", dong))
print(re.findall(r"[^\w\s]", dong))
print(re.findall(r"\d+\.\d+", dong))

KẾT QUẢ

['Đà', 'Lạt', '2', 'ly', 'trà_đào', 'giá', '35', '000', 'đ']
['L', 't', '2', 'ly', 'tr', '_', 'o', 'gi', '35', '000']
['2', '3', '5', '0', '0', '0']
[':', ',', '.', '!']
['35.000']

re.findall(mau, chuoi) trả về list các đoạn khớp, không chồng lên nhau, theo thứ tự từ trái sang phải. Với chuỗi str, \w hiểu chữ tiếng Việt có dấu là chữ cái, khi chữ được gõ ở dạng dựng sẵn (NFC) như bàn phím thường gõ. Cờ re.ASCII thu \w, \d về ký tự tiếng Anh, nên Đà mất hẳn và trà_đào vỡ thành ba mảnh. Các ký tự đặc biệt khác là ^ (đầu chuỗi), $ (cuối chuỗi) và \b (biên từ, chỗ giữa một ký tự của từ và một ký tự không phải của từ). Đổi r"[^\w\s]" thành r"[\s]" rồi chạy lại: dòng thứ tư in [' ', ' ', ' ', ' ', ' ', ' ', ' '].

Lượng từ: * + ? và {n}

Số điện thoại có thể viết liền hay cách quãng. Lượng từ đặt ngay sau một ký tự hay một lớp ký tự, cho biết nó lặp bao nhiêu lần. {9} đúng chín lần, {2,4} từ hai tới bốn lần, + một lần trở lên, * không lần nào trở lên, ? không hoặc một lần:

python
import re

tin = "Gọi 0900000123, 0900 000 124 hay 0900  000  125"
print(re.findall(r"0\d{9}", tin))
print(re.findall(r"0\d{3} ?\d{3} ?\d{3}", tin))
print(re.findall(r"0\d{3} *\d{3} *\d{3}", tin))
print(re.findall(r"\d+ ly", "2 ly cà phê, 12 ly trà đào"))

KẾT QUẢ

['0900000123']
['0900000123', '0900 000 124']
['0900000123', '0900 000 124', '0900  000  125']
['2 ly', '12 ly']

? cho phép một dấu cách hoặc không có, * cho phép bao nhiêu dấu cách cũng được. \d+ nhận cả 2 lẫn 12. Đưa các cách viết về một dạng 09xx xxx xxx thống nhất là việc của bài chuẩn hóa dữ liệu Việt Nam.

Tìm ở đâu: search(), match() và fullmatch()

Ba hàm cùng nhận mẫu và chuỗi, cùng trả về Match hoặc None, chỉ khác chỗ được tìm. re.search() tìm ở bất kỳ đâu, re.match() chỉ nhận chỗ khớp bắt đầu ở đầu chuỗi, re.fullmatch() đòi mẫu khớp trọn cả chuỗi. Kiểm một mã đơn khách gõ vào thì cần fullmatch():

python
import re

mau = r"DH\d{4}"
for chuoi in ["DH1024", "Mã DH1024", "DH10245"]:
    print(chuoi, re.match(mau, chuoi) is not None,
          re.search(mau, chuoi) is not None,
          re.fullmatch(mau, chuoi) is not None)

KẾT QUẢ

DH1024 True True True
Mã DH1024 False True False
DH10245 True True False

DH10245 qua được match() vì sáu ký tự đầu của nó khớp mẫu, phần thừa phía sau không bị xét. Chỉ fullmatch() từ chối mã thừa chữ số. Viết ^ và $ quanh mẫu rồi dùng search() cũng gần như kiểm cả chuỗi, trừ khi chuỗi kết thúc bằng \n: $ vẫn khớp ngay trước ký tự đó. fullmatch() nói thẳng ý kiểm cả chuỗi.

Lấy tất cả bằng findall() và thay bằng sub()

Ghi chú giao hàng có email, số điện thoại và dấu cách thừa. re.sub(mau, chuoi_moi, chuoi) trả về chuỗi mới, trong đó từng đoạn khớp mẫu được thay bằng chuoi_moi, giống replace() nhưng tìm theo mẫu:

python
import re

ghi_chu = """Hà: thuha.tran@example.com, gọi 0900000123.
Minh:  minh.le@example.com   giao   chiều"""
print(re.findall(r"[\w.]+@[\w.]+\.\w+", ghi_chu))
an_so = re.sub(r"0\d{9}", "[đã ẩn]", ghi_chu)
print(re.sub(r" +", " ", an_so))

KẾT QUẢ

['thuha.tran@example.com', 'minh.le@example.com']
Hà: thuha.tran@example.com, gọi [đã ẩn].
Minh: minh.le@example.com giao chiều

Mẫu email đọc là: một hay nhiều ký tự của từ hoặc dấu chấm, @, lại như vậy, rồi một dấu chấm và phần đuôi. Mẫu này đủ để lấy email ra khỏi ghi chú, không đủ để kiểm một email có hợp lệ hay không. Chuỗi gốc không đổi vì chuỗi bất biến, nên bạn gán kết quả của sub() cho một biến. Lấy riêng phần tên trước @, hay thay bằng một phần của chính đoạn khớp, cần nhóm bắt của bài regex nâng cao.

Kiểm tra nhanh

  1. Sau dòng import re, re.findall(r"\d+", "3 ly, 12 bánh") cho kết quả gì?

    • ['3', '12']
    • ['3', '1', '2']
    • [3, 12]
  2. Sau dòng import re, lệnh print(re.match(r"DH\d{4}", "Mã DH1024")) in ra gì?

    • <re.Match object; span=(3, 9), match='DH1024'>
    • None
    • Báo lỗi AttributeError
  3. Những lời gọi nào trả về một Match, không phải None?

    • re.fullmatch(r"DH\d{4}", "DH1024")
    • re.fullmatch(r"DH\d{4}", "DH10245")
    • re.search(r"\bDH1024", "Đơn DH1024")
    • re.search("\bDH1024", "Đơn DH1024")
  4. Sau dòng import re, re.findall(r"\d*", "ly 2") cho kết quả gì?

    • ['2']
    • []
    • ['', '', '', '2', '']
Đúng hết lần đầu +15 XP

Bài tập

Lấy các mã đơn trong tin nhắn

Tin nhắn của khách có thể chứa nhiều mã đơn. Viết hàm tim_ma_don(van_ban) trả về các mã đơn có trong van_ban, theo thứ tự xuất hiện. Một mã đơn là chữ DH viết hoa, theo sau đúng bốn chữ số, và đứng riêng: ký tự ngay trước và ngay sau nó, nếu có, là dấu câu, khoảng trắng hay ký tự khác chữ cái, chữ số, dấu _. Chữ cái tiếng Việt có dấu cũng là chữ cái. Dùng re.findall(), ví dụ với một mẫu có \d, {4} và \b.

Ví dụ: tim_ma_don("Đơn DH1024 đã giao, DH10245 sai mã.") trả về ["DH1024"].

Trả về: các mã đơn tìm thấy, một list các str.

python
def tim_ma_don(van_ban):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Regex là chuỗi mẫu mô tả một họ chuỗi; viết mẫu bằng chuỗi thô r"..." để giữ nguyên dấu \.

  • \d, \w, \s, ., [...], [^...] khớp một ký tự; \w của str nhận chữ có dấu, trừ khi có re.ASCII.

  • {n}, {m,n}, +, *, ? nói ký tự đứng trước lặp bao nhiêu lần; * khớp cả chuỗi rỗng.

  • search() tìm ở bất kỳ đâu, match() ở đầu chuỗi, fullmatch() cả chuỗi; không khớp thì trả về None.

  • findall() trả về list các đoạn khớp, sub() trả về chuỗi mới đã thay từng đoạn khớp.

Câu hỏi thường gặp

Module re trong Python có sẵn hay phải cài thêm?

re nằm trong thư viện chuẩn, nên chỉ cần import re như các module có sẵn khác, theo bài lệnh import. Không cần pip, và module này chạy được cả trong ô code của trang.

Dùng regular expression trong Python có chậm hơn phương thức chuỗi không?

Với một chuỗi cố định, in, find() hay replace() nhanh hơn và dễ đọc hơn. Regex đáng dùng khi việc tìm cần một mẫu: chữ số bất kỳ, độ dài thay đổi, biên từ. Mẫu đặt một lượng từ lên một phần đã có lượng từ bên trong có thể chạy rất lâu trên chuỗi dài, nên giữ mẫu đơn giản.

Viết biểu thức chính quy trong Python kiểm tra email thế nào cho đúng?

Không có mẫu ngắn nào kiểm đúng được hết các email hợp lệ. Thực tế thường dùng một mẫu lỏng để lấy email ra khỏi văn bản, như mẫu [\w.]+@[\w.]+\.\w+ của bài, rồi gửi thư xác nhận tới địa chỉ đó. Địa chỉ dùng trong ví dụ nên ở tên miền example.com, tên miền dành riêng cho tài liệu.

Muốn lấy riêng phần trước dấu @ của email thì làm sao?

Đặt phần đó trong cặp ngoặc tròn để thành một nhóm bắt, rồi đọc nhóm từ Match. Nhóm bắt, nhóm đặt tên và re.compile() thuộc bài regex nâng cao.

Chủ đề

regex là gì

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập