Expresiones Regulares (RegEx) - Modulo RE

Modulo re

Python tiene un módulo dedicado para detectar y trabajar con secuencias llamado re. Este módulo debe importarse para su uso:

import re

Funciones

El modulo re incluye múltiples funciones para trabajar con la detección de patrones, las cuales se explican a continuación. Estas funciones aceptan tanto el uso de secuencias fijas como de patrones regulares.

Sintaxis y opciones

La mayoría de las funciones del módulo tienen el siguiente formato:

<retorno> = re.<funcion>(<patron>, <texto>, <opcion>)

El pat

La opción de entrada agrega modificaciones a la detección del patrón. Su indicación no es obligatoria y puede tomar varios valores predefinidos por el módulo. Por ejemplo, la opción re.I (re.IGNORECASE) no distingue mayusculas de minúsculas.

Opciones habituales:

Opcion	significado
re.A	sólo compara caracteres ASCII
re.I	no discrimina mayusculas de minusculas
re.L	depende de la configuración regional
re.M	varias lineas
re.S	si el patron incluye puntos estos son opcionales
re.U	compara caracteres Unicode
re.X	(verbose) (?)

A continuación se explican las funciones del módulo.

match()

match() busca una secuencia justo al comienzo de un string:

match() - uso

<retorno> = re.match(<patron>, <texto>, <opcion>)

match() devuelve un objeto re.Match() cuando encuentra el patrón y sino devuelve None. re.Match() tiene un método llamado span() que indica los indices de inicio a fin de la secuencia en forma de tupla. Se lo llama así:

match() - indices de secuencia

<retorno>.span()

Ejemplo:

import re

patron = "leccion"

texto1 = "leccion 1: regex"
texto2 = "esta no es la leccion 1 sino la leccion 3"

retorno1 = re.match(patron, texto1, re.I)    # Devuelve 're.Match()'
retorno2 = re.match(patron, texto2, re.I)    # Devuelve None

Si el patrón fue detectado el retorno de la funcion match() será un objeto de tipo re.Match y de él se puede leer el resultado y su ubicación con ayuda de los métodos group() y span(). El método span() devuelve los indices de inicio y fin del primer patrón detectado, en tanto que el método group() devuelve el segmento del texto que cumple con el patrón.

print(retorno1.group())     # patron detectado: leccion
print(retorno1.span())      # rango letras: (0,7)

Si en cambio el patrón no fue detectado el retorno de match() será None e intentar usar los métodos group() y span() dará error. Por ello es importante verificar el tipo de datos que arroja la función antes de intentar extraer una secuencia de salida.

Continuando con el ejemplo previo:

retorno = retorno1      # hay coincidencia
# retorno = retorno2    # no hay coincidencia

if type(retorno)==re.Match:
    print("patron encontrado!")
    print("valor:    ",retorno.group())     # da 'leccion'
    print("ubicacion:" ,retorno.span())     # da '(0, 7)'
else:
    print("patron no detectado")    

search()

Busca la primera coincidencia de una secuencia en cualquier lugar del string indicado:

search()

<retorno> = re.search(<patron>, <texto>, <opcion>)

search() devuelve un objeto re.Match() cuando encuentra el patrón (igual que la funcion match()) y sino devuelve None.

Ejemplo:

import re

patron = "leccion"

texto1 = "leccion 1: regex"
texto2 = "esta no es la leccion 1 sino la leccion 3"
texto3 = "aqui no se enseña nada"

retorno1 = re.search(patron, texto1, re.I)    # Devuelve 're.Match()'
retorno2 = re.search(patron, texto2, re.I)    # Devuelve 're.Match()'
retorno3 = re.search(patron, texto3, re.I)    # Devuelve 'None'

Al igual que con la función match(), con el método span() se obtienen los indices de inicio y fin del primer patrón detectado, en tanto que con el método group() se devuelve el resultado de la busqueda:

print(retorno1.span()  )  # '(0, 7)'
print(retorno1.group() )  # 'leccion'
print(retorno2.span()  )  # '(14, 21)'
print(retorno2.group() )  # 'leccion'

Nuevamente hay que prestar atención al tipo de retorno de la función search() para evitar errores en la ejecución en caso de no detectarse el patrón buscado.

findall()

Busca todas las coincidencias de una secuencia en un string

findall()

<retorno> = re.findall(<patron>, <texto>, <opcion>)

Devuelve una lista con todas coincidencias con el patrón indicado. Si no hay coincidencias la lista queda vacía.

Ejemplo:

import re

patron = "leccion"

texto1 = "leccion 1: regex"
texto2 = "esta no es la leccion 1 sino la leccion 3"
texto3 = "aqui no se enseña nada"

retorno1 = re.findall(patron, texto1, re.I)  # devuelve '['leccion']'
retorno2 = re.findall(patron, texto2, re.I) # devuelve '['leccion', 'leccion']'
retorno3 = re.findall(patron, texto3, re.I) # devuelve '[]'

split()

Parte un string en trozos limitados por un caracter o secuencia patrón indicado:

split()

<retorno> = re.split(<patron>, <texto>,<opcion>)

El valor de retorno es una lista con el texto dividido y el patrón eliminado.

import re

patron = "leccion"

texto1 = "leccion 1: regex"
texto2 = "esta no es la leccion 1 sino la leccion 3"

retorno1 = re.split(patron, texto1, re.I)    # Devuelve "['', ' 1: regex']"
retorno2 = re.split(patron, texto2, re.I)    # Devuelve "['esta no es la ', ' 1 sino la ', ' 3']"

Nótese cómo la palabra "leccion" fue eliminada y como en la lista de retorno puede haber textos vacíos.

sub()

Reemplaza una secuencia por otra dentro de un string todas las veces que aparezca.

<retorno> = re.sub(<patron>, <sustituto>,<texto>)

Ejemplo:

import re

texto1 = "leccion 1: regex"
texto2 = "esta no es la leccion 1 sino la leccion 3.1"
texto3 = "leccion 2.UNO"

retorno1 = re.sub("1", "UNO", texto1) # Devuelve "leccion UNO: regex"
retorno2 = re.sub("1", "UNO", texto2) # Devuelve "esta no es la leccion UNO sino la leccion 3.UNO"
retorno3 = re.sub(patron , sustituto , texto3) # Devuelve "leccion 2.UNO"  (No cambia nada)

Patrones regulares

Los patrones regulares son expresiones que sirven para describir combinaciones genéricas de caracteres que cumplan ciertas condiciones. Las expresiones tienen una notación estandarizada por lo que pueden aplicarse en distintos lenguajes de programación con iguales resultados.

En el caso de Python los patrones regulares se definen antecedidos por la letra 'r':

<patron> = r"<patron_regex>"

Estos patrones se ingresan en las funciones explicadas previamente como argumento para modificar los datos de entrada: filtrar, cortar , reemplazar, etc.

Patrón para cifras numéricas

Este patrón sirve para detectar una o varias cifras numéricas contiguas

patron_cifras = r"[0-9]+" 

Uso: aislar el primer número de un texto

entrada = "imag_025"

patron_cifras  = r"[0-9]+" 

retorno = re.search(patron_cifras, entrada)
detectado= retorno.group()      # devuelve '025'
rango = retorno.span()          # indices: '(5, 8)'

Patrón para fotos digitales

Este patrón sirve para filtrar archivos de cámaras digitales , smartphones, etc.

patron_foto = r"^[0-9]+_[0-9]+\.[A-Za-z]+$"

El nombre de archivo suele ser un numero compuesto por la fecha con un guión bajo en el medio. Por ejemplo, una foto hecha el 23 de junio del 2022 , hora 06:59:12 probablemente tendrá por nombre de archivo:

archivo = "20220623_065912.jpg" #foto camara digital /smartphone

Uso: filtrar nombres de archivo de cámaras (sin renombrar)

import re

archivo1 = "20220623_065912.jpg" #foto camara digital /smartphone
archivo2 = "20220623065912.jpg" # falta el guion
archivo3 = "RTY220623_A65912.jpg" # hay letras
archivo4 = "/carpetaPOSIX/20220623_065912.jpg" # ruta POSIX (Unix / Linux)
archivo5 = "\carpetaWINDOWS\20220623_065912.jpg" # ruta Windows

patron_foto = r"^[0-9]+_[0-9]+\.[A-Za-z]+$"
# partes (en orden):
# '[0-9]'   : sólo numeros
# '_'       : guion
# '[0-9]'   : sólo numeros
# '.'       : un punto
# '[A-Za-z]': sólo letras mayúsculas y minúsculas

print(re.findall(patron_foto, archivo1))    # ['20220623_065912.jpg']
print(re.findall(patron_foto, archivo2))    # []
print(re.findall(patron_foto, archivo3))    # []
print(re.findall(patron_foto, archivo4))    # []
print(re.findall(patron_foto, archivo5))    # []

Patrón para E-mails

patron_email = r"^[A-Za-z0-9_.+-]+@[A-Za-z0-9]+\.[A-Za-z0-9-.]+$"

Uso: filtrado de direcciones de correo inválidas

import re

email1 = "yo@miserver.net" 
email2 = "yo@miserver" 
email3 = "yo_miserver.net" 
email4 = "no_responder@spammers.net" 
email5 = "no_responder.mi_spam@spammers.net" 

patron_email = r"^[A-Za-z0-9_.+-]+@[A-Za-z0-9]+\.[A-Za-z0-9-.]+$"

print(re.findall(patron_email, email1))    # ['yo@miserver.net']
print(re.findall(patron_email, email2))    # []
print(re.findall(patron_email, email3))    # []
print(re.findall(patron_email, email4))    # ['no_responder@spammers.net']
print(re.findall(patron_email, email5))    # ['no_responder.mi_spam@spammers.net']

Referencias

Módulo RE - Documentacion oficial

Regex101: Diseño y análisis interactivo

Cheat Sheet

RegEx 101: Guía de supervivencia para entender y usar expresiones regulares