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

ചിഹ്നംഅർത്ഥം
\dഒരു അക്കം (0-9)
\wഒരു അക്ഷരമോ അക്കമോ (word character)
\sഒരു 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-യും d-യും (ബാക്ക്‌സ്ലാഷ് ഇല്ലാതെ) ഒരേ കാര്യമാണ് എന്ന് കരുതുന്നു

ഈ അധ്യായത്തിന്റെ സംഗ്രഹം

  • Regex എന്താണെന്നും re മൊഡ്യൂൾ എങ്ങനെ ഉപയോഗിക്കാമെന്നും പഠിച്ചു
  • \d, \w, \s, +, * തുടങ്ങിയ പ്രധാന ചിഹ്നങ്ങൾ പരിചയപ്പെട്ടു
  • re.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

ചോദ്യം 1 / 4
\d+ എന്ന പാറ്റേൺ എന്താണ് സൂചിപ്പിക്കുന്നത്?

അടുത്ത അധ്യായത്തിൽ, പ്രോഗ്രാം എന്തെങ്കിലും തെറ്റായാലും സുരക്ഷിതമായി പ്രവർത്തിക്കാൻ സഹായിക്കുന്ന പിശക് കൈകാര്യം ചെയ്യൽ (try/except) നിങ്ങൾ പഠിക്കും.