DjangoBB LoFi version

Полная версия: Регулярные выражения: компактная запись повторяющихся фрагментов

Начало » Python для новичков » Регулярные выражения: компактная запись повторяющихся фрагментов

Ginibe

Янв. 29, 2012 20:12:02

Исходные:
ось - Win XP SP3
питон - 2.7

Предмет анализа - одна строка с произвольным набором символов, читающихся как номер телефона с пояснениями. Номер в международном формате набора в Украине: +3, код Украины - 8, код города или мобильного опер-а - XXX, собственно семизначный номер или дополненный до семи цифр если он меньше - XXXXXXX. Кроме того порядок расположения, количество и вид разделителей цифр абсолютно не предсказуем. А еще могут присутствовать фразы пояснений как перед телефонным номером так и за ним.
Следующее регулярное выражение позволяет выделить такие телефонные номера, пользовался методом findall скомпилированного объкта регулярного выражения, тестирование было проведено на более чем 400 разновидных строках:

(?:(?:(?:\+)3)[-\(\) /]{0,3}8)[-\(\) /]{0,3}0[-\(\) /]{0,3}\d\d[-\(\) /]?[-\(\) /]{0,3}\d[-\(\) /]{0,3}\d[-\(\) /]{0,3}\d[-\(\) /]{0,3}\d[-\(\) /]{0,3}\d[-\(\) /]{0,3}\d[-\(\) /]{0,3}\d

(далее - полное выражение)
Бросается в глаза повтояющийся фрагмент в последней части выражения, вернее он повторяется 7 раз:

[-\(\) /]{0,3}\d

(далее - фрагмент1)
замена семикратного повторения фрагмента1 записью вида:

([-\(\) /]{0,3}\d){7}

(далее - фрагмент2)
желаемого результата не дает в действующем диалекте питона, хотя тестовый автомат на VB.NET из книги Бена Форта и RegExr на сайте http://gskinner.com/RegExr/ воспринимают такую запись (фрагмент2) действительно как семикратное повторение фрагмента1 в полном выражении и находят искомые подстроки.
Еще не дочитал Дж.Фридла, потому вопрос к знатокам: можна ли сократить запись полного выражения для диалекта питона? … уж очень длиннО…
… что то не так я понял в механизме рег.выражений питона… наверное

doza_and

Янв. 29, 2012 22:13:59

регулярка -строка можно и форматированием получить

Ginibe

Янв. 30, 2012 12:06:30

doza_and, если Вы имели в виду процесс ее формирования - 100% согласен, я же - про сам механизм регулярок в питоне. Я так понимаю, что если фрагмент в скобки обернул, то для питона это особый случай, сразу помещается в группу и обрабатывается как то по особому, а вот как я еще не понял до конца… но “не так как у других” :)
Надеюсь у Дж.Фридла найду пояснение этому, потому как из книжек по питону не вкурил…

agalen

Янв. 30, 2012 12:39:35

Ginibe
желаемого результата не дает в действующем диалекте питона

В питоне все работает на ура.

>>> rr = re.compile( r"(?:(?:(?:\+)3)[-\(\) /]{0,3}8)[-\(\) /]{0,3}0[-\(\) /]{0,3}\d\d[-\(\) /]?(?:[-\(\) /]{0,3}\d){7}" )
>>> rr.match( "+380441234567" ).group(0)
'+380441234567'

Приведи пример, который не работает в питоне, но при этом работает на том сайте.

Ginibe

Янв. 30, 2012 19:32:29

agalen

agalen
Приведи пример, который не работает в питоне, но при этом работает на том сайте.

>>> from re import *
>>> s0 = '+3 8(066) 3268813;'
>>> mask = compile ("(?:(?:(?:(?:\+)3)[-\(\) /]{0,3}8)[-\(\) /]{0,3}0[-\(\) /]{0,3}\d\d)([-\(\) /]{0,3}\d){7}")
>>> mask.findall (s0)
['3']

RegExr регулярку

(?:(?:(?:(?:\+)3)[-\(\) /]{0,3}8)[-\(\) /]{0,3}0[-\(\) /]{0,3}\d\d)([-\(\) /]{0,3}\d){7}

хавает и подсвечивает желаемый результат.
А вот питон - хрена, только последнюю цифру.
АшИпКу понял: повторяющийся фрагмент не содержал метасимвольного выражения ?:. Что то я не вкурил о метасимвольном выражении ?:. У Бен Форта оно описывается как аналог условного оператора, а в переводных буках про питона ничего толкового не нашел… наверно невнимательно читал…
Если есть терпение - прошу пару пояснений к метасимвольному выражению ?: в моем случае, именно для повторяющегося фрагмента, пожалста…

doza_and

Янв. 30, 2012 20:28:08

В этой задаче важно правильно сформулировать что вы хотите.
Если не сложно примеры приведите какие должны быть номера
почему так нельзя?

s=re.sub(r"[^\d]","",'+3 8(066) 3268813;')
if len(s)==6:
   ....

Сам телефон с этим прекрасно справляется

agalen

Янв. 31, 2012 07:04:08

Если в регулярном выражении есть хоть одна группа (т.е. скобки без ?: ), то findall возвращает только список этих групп. И еще - не забывай ставить r“”.

>>> from re import *
>>> s0 = '+3 8(066) 3268813;'
>>> mask = compile(r"(?:(?:(?:(?:\+)3)[-\(\) /]{0,3}8)[-\(\) /]{0,3}0[-\(\) /]{0,3}\d\d)(?:[-\(\) /]{0,3}\d){7}")
>>> mask.findall(s0)
['+3 8(066) 3268813']

Ginibe

Янв. 31, 2012 10:26:54

doza_and, привожу несколько строк из которых необходимо выудить номера (владельцев телефонов, приколистов и спамеров прошу не волноваться - номера изменены до “ненабираемости” или “несоответствия”):

059-499-82-99; 090-995-54-92;
058-352-54-55; 452-98-44;
550-98-45; 030-323-83-50;
093-322-35-48; ф438-89-32;
589-49-52ф   030-225-44-98  Игорь;
0555853330 ,0952889040;
(0534) 252-253, 258-328;
095  458 08 03 раб-448 25 35;
моб.058 408 23 28 моб.о058 582 80 89;
             055  489 90 82;
599-35-44 (переадресация);
055-954-05-58; 392-88-88фвит;
022-595-08-33 *222;
449-83-09; -04; -05; -02; -05ф;
058  309 20 52  /  093 549 58 85;
428 83 93 раб.  8 058 888 59 52 моб;
030-84-22-898, 42-59вн;
395-95-88 Ольга григорьевна 095-358-59-83;
058-258-29-99 (333-99-35 для Дегтяря);
0980398498   и 0558995955 и 0958353858;
+580589533888; +580304909998;
030-285-95-09 ф 554-43-89 (90шт.);
(030) 850-45-38, (05234) 3-43-83;
(058)-395-00-99; 242-04-52 приемная;
030  538 92 05    дом - 482 80 29;
Алексей 258-58-85; (058)-438-89-88;
428 83 93 раб.  8 058 888 59 52 моб;
по телефону 093 489 04 52 в понед. ответит Андрей;
099 209 49 38, оплата без нал, номер проекта KN-90-002;
 0995002258 или 0955939858;;
             058  455 32 23 (Сергей 095  358 23 50)
459-59-59 + 444  (офис)        моб:  449-5203  055-420-50-82;
8055-889-23-88(моб)  022-242-08-95(дом);
(030)-225-23-93; 295-95-04 факс ВАТ "Универмаг Украина";
058-3844550 Игорь Витальевич;
209-43-45 (соединить с Ниной или Сергей Васильевич);
358-05-02 Пр-во IREX;
330-28-39  8-055-24-98-984;
80583585389,80358883995;
349-09-82; (030)-299-50-89;
8-055-830-85-89 (пожалуйста утром позвоните);
80559532854: 2584853;
8(028)8998885, 8(028)8445254;
3949503, 8058 9492090, 8095 0949430;
(095)-999-45-95; (055)-59-88-098;
058-398-90-80 (058-282-48-42 Иван);
(030) 555-35-04 сам (030) 955-88-55 жена;
059 -- 299-05-58 и 059 -- 299-05-04 (Андрей);

С поставленной задачей вполне справляется регулярка:

mask = re.compile(r"(?:(?:(?:\+?)3)[-\(\) /]{0,3}8)[-\(\) /]{0,3}0[-\(\) /]{0,3}\d\d[-\(\) /]?(?:[-\(\) /]{0,3}\d){7}|"+
                  r"(?:0)[-\(\) /]{0,3}\d\d[-\(\) /]?(?:[-\(\) /]{0,3}\d){7}|"+
                  r"[2-5](?:[-\(\) /]{0,3}\d){6}")

далее из каждой строки результата findall будут удалены НЕцифры и номера внесены в БД.

Предвосхищая советы о маске ввода для номера телефона, сообщаю, что источником данных строк являются уже существующие почтовые сообщения, которые предстоит обработать и внести данные в БД.

agalen, благодарен за подсказки, еще раз перечитал в буках моменты на которые ты обратил внимание, вкуриваю потихоньку… умные книги :)

P.S. Наконец то дочитал у Дж.Фридла до описания метасимвольного сочетания (?:…), цитирую:

Дж.Фридл
Вместо конструк-ции (…) производящей группировку с сохранением, используется специальная разновидность круглых скобок (?:…), которая обеспечивает группировку без сохранения. При такой записи «открывающая круглая скобка» состоит из трех символов (?:, что выглядит довольно странно. В данном случае вопросительный знак не имеет отношения к «необязательному» метасимволу ?.

Под “сохранением” Дж.Фридл имеет ввиду как раз выделение в порядковую группу, значение которой можна получить через соответствующую переменную.