Regex nâng cao trong Python: nhóm, lookahead, cờ, compile
Bài 11/25 · Chương 19
Thư viện chuẩn thường dùng
- 8 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 14
Regex nâng cao trong Python là nhóm công cụ của module re dùng khi một mẫu đơn giản không còn đủ. Bạn tách từng phần của chỗ khớp bằng nhóm bắt, xét chữ đứng trước hay sau bằng lookahead, lookbehind, đổi cách khớp bằng cờ và biên dịch sẵn mẫu bằng re.compile(). Bạn cần chúng khi đọc một nhật ký đơn hàng nhiều dòng và muốn lấy riêng mã đơn, chi nhánh, số tiền của từng dòng.
Cần biết trước: biểu thức chính quy, lambda và dict.
Nhóm bắt và nhóm đặt tên
Mỗi dòng nhật ký có dạng DH1024 | Huế | 120.000 đ. Đặt một phần của mẫu trong cặp ngoặc tròn là tạo một nhóm bắt: Match nhớ riêng đoạn khớp với phần đó. Viết (?P<ten>...) thì nhóm còn có tên:
import re
dong = "DH1024 | Huế | 120.000 đ"
m = re.search(r"(DH\d{4}) \| (\w+) \| ([\d.]+) đ", dong)
print(m.group(0))
print(m.group(1), m.group(3), m.groups())
m = re.search(r"(?P<ma>DH\d{4}) \| (?P<chi_nhanh>\w+)", dong)
print(m.group("chi_nhanh"), m["ma"])
print(m.groupdict())KẾT QUẢ
DH1024 | Huế | 120.000 đ
DH1024 120.000 ('DH1024', 'Huế', '120.000')
Huế DH1024
{'ma': 'DH1024', 'chi_nhanh': 'Huế'}group(0) là cả đoạn khớp, group(1) là nhóm mở ngoặc đầu tiên tính từ trái. groups() trả về tuple mọi nhóm, groupdict() trả về dict tên nhóm và đoạn khớp. Dấu | cần \| vì trong mẫu nó có nghĩa "hoặc". Chỉ cần gộp mà không cần nhớ thì dùng nhóm không bắt (?:...).
Dùng nhóm khi thay chuỗi bằng sub()
Trong chuỗi thay thế của re.sub(), \1 là đoạn khớp của nhóm 1 và \g<ten> là đoạn khớp của nhóm tên ten. Che giữa số điện thoại hay viết lại mã đơn không cần cắt chuỗi bằng tay. Truyền một hàm thay cho chuỗi thay thế thì hàm nhận từng Match và trả về chuỗi để thay vào:
import re
tin = "Gọi 0900000123 về đơn dh1024, dh1031"
print(re.sub(r"(\d{4})\d{3}(\d{3})", r"\1***\2", tin))
print(re.sub(r"dh(?P<so>\d{4})", r"DH-\g<so>", tin))
print(re.sub(r"dh\d{4}", lambda m: m.group().upper(), tin))KẾT QUẢ
Gọi 0900***123 về đơn dh1024, dh1031
Gọi 0900000123 về đơn DH-1024, DH-1031
Gọi 0900000123 về đơn DH1024, DH1031Chuỗi thay thế cũng là chuỗi thô, để \1 không bị Python đọc thành ký tự escape. Hàm lambda m: m.group().upper() chạy một lần cho mỗi chỗ khớp. Đổi r"\1***\2" thành r"\2-\1" rồi chạy lại: dòng đầu in Gọi 123-0900 về đơn dh1024, dh1031.
Duyệt từng chỗ khớp bằng finditer(), tách chuỗi bằng re.split()
re.finditer() trả về một iterator các Match, nên mỗi lượt lặp có cả đoạn khớp, vị trí và các nhóm, thứ findall() không giữ. re.split() tách chuỗi tại mọi chỗ khớp mẫu, hợp khi dấu ngăn cách lẫn lộn mà split() của chuỗi chỉ nhận một dấu:
import re
dong = "cà phê sữa, trà đào;bạc xỉu , sinh tố bơ"
print(re.split(r"\s*[,;]\s*", dong))
print(re.split(r"\s*([,;])\s*", "Huế;Đà Lạt,Hà Nội"))
for m in re.finditer(r"DH\d{4}", "DH1024 rồi DH1031"):
print(m.group(), m.start(), m.end())KẾT QUẢ
['cà phê sữa', 'trà đào', 'bạc xỉu', 'sinh tố bơ']
['Huế', ';', 'Đà Lạt', ',', 'Hà Nội']
DH1024 0 6
DH1031 11 17Mẫu của re.split() có nhóm bắt thì các dấu ngăn cách cũng nằm trong kết quả, như dòng thứ hai. .end() là chỉ số ngay sau đoạn khớp.
Tham lam và lười
Lượng từ *, +, ?, {m,n} mặc định tham lam (greedy): lấy nhiều ký tự nhất có thể mà mẫu vẫn khớp. Thêm ? ngay sau lượng từ làm nó lười (lazy): lấy ít nhất có thể. Lấy tên món nằm trong dấu nháy kép là chỗ hai cách cho kết quả khác hẳn:
import re
ghi_chu = 'Món "trà đào" và "bạc xỉu" giao trước'
print(re.findall(r'".*"', ghi_chu))
print(re.findall(r'".*?"', ghi_chu))
print(re.findall(r'"(.*?)"', ghi_chu))
print(re.findall(r"\d{2,4}", "123456"))
print(re.findall(r"\d{2,4}?", "123456"))KẾT QUẢ
['"trà đào" và "bạc xỉu"']
['"trà đào"', '"bạc xỉu"']
['trà đào', 'bạc xỉu']
['1234', '56']
['12', '34', '56']".*" đi tới dấu nháy cuối cùng của dòng nên nuốt cả và ở giữa. ".*?" dừng ở dấu nháy đóng gần nhất. Thêm nhóm quanh phần giữa thì findall() trả về tên món không kèm dấu nháy.
Lookahead và lookbehind
Hóa đơn có ba con số, bạn chỉ cần số đứng sau chữ Tổng: . Lookbehind (?<=...) đòi phần trước chỗ khớp phải khớp mẫu trong ngoặc, lookahead (?=...) đòi phần sau, nhưng phần đó không nằm trong đoạn khớp. Thêm dấu ! thay cho = là điều ngược lại: (?!...), (?<!...):
import re
hoa_don = "Tạm tính: 120000 đ, Giảm: 20000 đ, Tổng: 100000 đ"
print(re.search(r"(?<=Tổng: )\d+", hoa_don).group())
print(re.findall(r"\d+(?= đ)", hoa_don))
print(re.findall(r"\b\d+\b(?! đ)", "3 ly, 2 bánh, 45000 đ"))
mau_mk = r"(?=.*\d)(?=.*[a-z]).{8,}"
for mk in ["abc12345", "matkhau", "12345678"]:
print(mk, re.fullmatch(mau_mk, mk) is not None)KẾT QUẢ
100000
['120000', '20000', '100000']
['3', '2']
abc12345 True
matkhau False
12345678 FalseVòng for cuối kiểm mật khẩu: hai lookahead ở đầu mẫu, mỗi cái đòi một điều kiện (có chữ số, có chữ cái thường) mà không tiêu ký tự nào, rồi .{8,} đòi ít nhất tám ký tự.
Cờ và re.compile()
Cờ đổi cách khớp của cả mẫu. re.I (re.IGNORECASE) bỏ qua hoa thường. re.M (re.MULTILINE) cho ^, $ khớp đầu và cuối từng dòng thay cho cả chuỗi. re.S (re.DOTALL) cho . khớp cả ký tự xuống dòng. re.X (re.VERBOSE) bỏ qua khoảng trắng và comment trong mẫu. Ghép nhiều cờ bằng toán tử bitwise |. re.compile() biên dịch mẫu cùng cờ thành một object có sẵn findall(), sub(), finditer(), dùng lại được nhiều lần:
import re
ghi_chu = """Giao: Huế
giao: Đà Lạt
Ghi chú: gọi trước"""
print(re.findall(r"^giao: (.+)$", ghi_chu))
print(re.findall(r"^giao: (.+)$", ghi_chu, flags=re.I | re.M))
mau = re.compile(r"""
^giao:\s* # nhãn, viết hoa hay thường đều được
(.+)$ # tên chi nhánh tới cuối dòng
""", re.I | re.M | re.X)
print(mau.findall(ghi_chu))
print(re.findall(r"Huế.giao", ghi_chu, flags=re.S))KẾT QUẢ
[]
['Huế', 'Đà Lạt']
['Huế', 'Đà Lạt']
['Huế\ngiao']Không có re.M, ^giao chỉ được thử ở đầu cả chuỗi, mà dòng đầu viết Giao hoa, nên không có gì khớp. Với re.X, dấu cách thật trong mẫu phải viết \s hay [ ]. Mẫu dùng trong vòng lặp hay trong một hàm gọi nhiều lần thì đặt re.compile() một lần ở đầu file: code đọc rõ hơn và không phải truyền lại cờ.
Kiểm tra nhanh
Sau dòng
import re,re.findall(r"(\d+) ly", "2 ly, 12 ly")cho kết quả gì?['2 ly', '12 ly']['2', '12'][('2', 'ly'), ('12', 'ly')]
Sau dòng
import re,re.findall(r"<.+?>", "<b>Huế</b>")cho kết quả gì?['<b>', '</b>']['<b>Huế</b>']['b', '/b']
Những mẫu nào làm
re.compile()báo lỗi?r"(?<=Tổng:\s*)\d+"r"(?<=Tổng: )\d+"r"\d+(?=\s*đ)"r"(?<=Giá|Tổng)\d+"
Sau dòng
import revàs = "Huế\nĐà Lạt",re.findall(r"^\w+", s)cho kết quả gì?['Huế', 'Đà']['Huế', 'Đà', 'Lạt']['Huế']
Bài tập
Cộng doanh thu từ nhật ký đơn hàng
Nhật ký là một chuỗi nhiều dòng. Dòng đơn hợp lệ có dạng DH1024 | Huế | 120.000 đ: mở đầu dòng bằng DH và bốn chữ số, rồi chi nhánh, rồi số tiền có dấu chấm ngăn hàng nghìn và chữ đ ở cuối dòng. Hai bên mỗi dấu | có thể có số dấu cách bất kỳ. Dòng khác (ghi chú, dòng hủy) bị bỏ qua. Viết hàm tong_theo_chi_nhanh(nhat_ky) trả về dict chi nhánh và tổng tiền. Biên dịch mẫu bằng re.compile() với cờ re.MULTILINE (viết đủ tên này, không viết tắt re.M), đọc từng dòng khớp bằng finditer() và nhóm bắt.
Ví dụ: tong_theo_chi_nhanh("DH1024 | Huế | 120.000 đ\nDH1025 | Huế | 64.000 đ") trả về {"Huế": 184000}.
Trả về: tổng tiền theo chi nhánh, một dict.
def tong_theo_chi_nhanh(nhat_ky):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Ngoặc tròn tạo nhóm bắt,
(?P<ten>...)đặt tên; đọc bằnggroup(),groups(),groupdict().findall()với mẫu có nhóm chỉ trả về phần của nhóm;(?:...)gộp mà không bắt.\1,\g<ten>hay một hàm đưa đoạn khớp của nhóm vào chuỗi thay thế củasub().finditer()cho từngMatch;re.split()tách tại mọi chỗ khớp mẫu.Lượng từ thêm
?thành lười; lookahead, lookbehind xét chữ hai bên mà không lấy, lookbehind phải dài cố định.re.I,re.M,re.S,re.Xđổi cách khớp;re.compile()giữ mẫu cùng cờ để dùng lại.
Câu hỏi thường gặp
Lookahead trong Python dùng để kiểm mật khẩu thế nào?
Đặt mỗi điều kiện vào một lookahead ở đầu mẫu: (?=.*\d) đòi có chữ số, (?=.*[A-Z]) đòi có chữ cái hoa, rồi .{8,} cho độ dài, và gọi re.fullmatch(). Lookahead không tiêu ký tự, nên các điều kiện cùng xét cả chuỗi từ đầu.
re.compile() trong Python có làm chương trình nhanh hơn không?
Không nhiều: module re tự lưu bản biên dịch của các mẫu dùng gần đây, nên gọi thẳng re.findall(mau, ...) nhiều lần cũng không biên dịch lại mỗi lần. Lợi ích chính của re.compile() là đặt tên cho mẫu, giữ cờ đi kèm, và viết mẫu dài bằng re.X một lần ở đầu file.
Nhóm đặt tên (named group) trong regex Python có khác nhóm đánh số không?
Nhóm đặt tên vẫn được đánh số như nhóm thường, nên m.group(1) và m.group("ma") cùng đọc một đoạn. Tên làm code dễ đọc hơn, không lệch khi thêm nhóm vào giữa mẫu, và groupdict() cho ngay một dict để dùng tiếp.
Tách chuỗi theo nhiều dấu ngăn cách thì dùng split() hay re.split()?
split() của chuỗi chỉ nhận một dấu ngăn cách cố định, như bài split và join. Dữ liệu dùng lẫn dấu phẩy, dấu chấm phẩy, có dấu cách thừa thì re.split(r"\s*[,;]\s*", dong) tách một lần là xong.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
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.