25: Regex ആമുഖം
ചിലപ്പോൾ നമുക്ക് ടെക്സ്റ്റിൽ ഒരു കൃത്യമായ വാക്ക് അല്ല, മറിച്ച് ഒരു പാറ്റേൺ (ഉദാ: "ഇത് ഒരു ഇമെയിൽ വിലാസം പോലെ തോന്നുന്നുണ്ടോ?") തിരയേണ്ടി വരും. ഇതിനുള്ള ശക്തമായ ഉപകരണമാണ് Regular Expressions (Regex).
Regex എന്താണ്?
ടെക്സ്റ്റ് പാറ്റേണുകൾ വിവരിക്കാനുള്ള ഒരു ചെറിയ, പ്രത്യേക ഭാഷയാണ് Regex. പൈത്തണിൽ ഇത് ഉപയോഗിക്കാൻ re എന്ന ബിൽറ്റ്-ഇൻ മൊഡ്യൂൾ ഇംപോർട്ട് ചെയ്യണം. Regex-ന്റെ ഘടന മിക്കവാറും എല്ലാ പ്രോഗ്രാമിംഗ് ഭാഷകളിലും ഒരുപോലെ തന്നെയാണ് — ഇവിടെ പഠിക്കുന്നത് മറ്റ് ഭാഷകളിലും ഉപകാരപ്പെടും.
ഒരു പാറ്റേൺ പൊരുത്തപ്പെടുന്നുണ്ടോ എന്ന് പരിശോധിക്കുന്നു
import re
text = "My phone number is 9876543210"
if re.search(r"\d+", text):
print("Number found")
else:
print("No number found")re.search() ടെക്സ്റ്റിൽ എവിടെയെങ്കിലും പാറ്റേൺ ഉണ്ടോ എന്ന് നോക്കുന്നു. \d+ എന്നാൽ "ഒന്നോ അതിലധികമോ അക്കങ്ങൾ" എന്നാണ്.
സാധാരണ പാറ്റേൺ ചിഹ്നങ്ങൾ
| ചിഹ്നം | അർത്ഥം |
|---|---|
\d | ഒരു അക്കം (0-9) |
\w | ഒരു അക്ഷരമോ അക്കമോ (word character) |
\s | ഒരു സ്പേസ്/ടാബ്/ന്യൂലൈൻ |
. | ഏതെങ്കിലും ഒരു കാരക്ടർ |
+ | മുമ്പുള്ളത് ഒന്നോ അതിലധികമോ തവണ |
* | മുമ്പുള്ളത് പൂജ്യമോ അതിലധികമോ തവണ |
^ | ടെക്സ്റ്റിന്റെ തുടക്കം |
$ | ടെക്സ്റ്റിന്റെ അവസാനം |
പാറ്റേൺ എഴുതുമ്പോൾ എപ്പോഴും r"..." (raw string) ഉപയോഗിക്കുക — \d, \w പോലുള്ള ചിഹ്നങ്ങൾ, സാധാരണ സ്ട്രിംഗിൽ എസ്കേപ്പ് സീക്വൻസ് ആയി തെറ്റിദ്ധരിക്കപ്പെടാതിരിക്കാൻ ഇത് സഹായിക്കുന്നു.
`re.findall()`: എല്ലാ പൊരുത്തങ്ങളും കണ്ടെത്തുന്നു
import re text = "I have 2 cats and 5 fish" numbers = re.findall(r"\d+", text) print(numbers)
`re.sub()`: പാറ്റേൺ മാറ്റിസ്ഥാപിക്കുന്നു
import re text = "Call me at 9876543210" masked = re.sub(r"\d", "*", text) print(masked)
യഥാർത്ഥ ജീവിത ഉദാഹരണം: ലളിതമായ ഇമെയിൽ പരിശോധന
import re
email = "anu@example.com"
pattern = r"^\w+@\w+\.\w+$"
if re.match(pattern, email):
print("Looks like a valid email")
else:
print("Not a valid email format")ഇത് ഒരു ലളിതമായ പാറ്റേൺ മാത്രമാണ് — യഥാർത്ഥ ഇമെയിൽ പരിശോധനയ്ക്ക് കൂടുതൽ സങ്കീർണ്ണമായ പാറ്റേണുകൾ വേണ്ടി വന്നേക്കാം. ഇവിടെ ലക്ഷ്യം, Regex എങ്ങനെ ഒരു ഫോർമാറ്റ് പരിശോധിക്കാൻ ഉപയോഗിക്കാം എന്ന് കാണിക്കുക മാത്രമാണ്.
സാധാരണ തുടക്കക്കാരുടെ തെറ്റുകൾ
- പാറ്റേൺ എഴുതുമ്പോൾ
r"..."(raw string) ഉപയോഗിക്കാൻ മറക്കുന്നു re.match()ടെക്സ്റ്റിന്റെ തുടക്കത്തിൽ മാത്രമേ പരിശോധിക്കൂ എന്നത് മറന്ന്,re.search()-ന് പകരം ഇത് ഉപയോഗിച്ച് പ്രതീക്ഷിച്ച ഫലം കിട്ടാതെ വരുന്നു\d-യുംd-യും (ബാക്ക്സ്ലാഷ് ഇല്ലാതെ) ഒരേ കാര്യമാണ് എന്ന് കരുതുന്നു
ഈ അധ്യായത്തിന്റെ സംഗ്രഹം
- Regex എന്താണെന്നും
reമൊഡ്യൂൾ എങ്ങനെ ഉപയോഗിക്കാമെന്നും പഠിച്ചു \d,\w,\s,+,*തുടങ്ങിയ പ്രധാന ചിഹ്നങ്ങൾ പരിചയപ്പെട്ടുre.search(),re.findall(),re.sub(),re.match()ഉപയോഗിച്ചു- ഒരു ലളിതമായ ഇമെയിൽ ഫോർമാറ്റ് പരിശോധന ഉദാഹരണം ഉണ്ടാക്കി
വ്യായാമങ്ങൾ
- ഒരു വാചകത്തിൽ ഏതെങ്കിലും അക്കം ഉണ്ടോ എന്ന്
re.search()ഉപയോഗിച്ച് പരിശോധിക്കുക - ഒരു വാചകത്തിലെ എല്ലാ വാക്കുകളും (
\w+)re.findall()ഉപയോഗിച്ച് ഒരു ലിസ്റ്റായി എടുക്കുക - ഒരു വാചകത്തിലെ എല്ലാ അക്കങ്ങളും
re.sub()ഉപയോഗിച്ച്"#"ആയി മാറ്റുക
Quiz & Self Assessment
\d+ എന്ന പാറ്റേൺ എന്താണ് സൂചിപ്പിക്കുന്നത്?അടുത്ത അധ്യായത്തിൽ, പ്രോഗ്രാം എന്തെങ്കിലും തെറ്റായാലും സുരക്ഷിതമായി പ്രവർത്തിക്കാൻ സഹായിക്കുന്ന പിശക് കൈകാര്യം ചെയ്യൽ (try/except) നിങ്ങൾ പഠിക്കും.