Empfohlene Unterrichtsinhalte als Vorbereitung für dieses Thema: 02-01 (Strings), 05-03 (Module), 09-01 (Regular Expressions schreiben), 09-02 (Regular Expressions in Python verarbeiten)
Wenn ein regulärer Ausdruck ein komplexes Muster beschreibt, ist es oft hilfreich, die Teil-Matches aus dem analysierten String zu extrahieren und z.B. in Variablen zu speichern. Um das zu erreichen, arbeiten wir mit Gruppen, die bei regulären Ausdrücken durch runde Klammern (...) markiert werden.
Die Funktion group() kann auf RegEx-Matches angewendet werden und ermöglicht uns, auf die verschiedenen Gruppen des Matches zuzugreifen. Im folgenden Beispiel besteht der reguläre Ausdruck aus zwei Gruppen und wird auf den Beispielstring gematcht. Die Gruppe mit dem Index 0 entspricht dem gesamten Match. Danach folgen in aufsteigender Reihenfolge die Teil-Matches für jede Gruppe, gezählt von links vom Start des Strings. Wie viele groups wir verwenden können, hängt davon ab, wie viele Gruppen im regulären Ausdruck enthalten sind.
import re
# Unser Test-String
drink = 'warm tea'
# Muster erstellen und in einer Variable speichern:
# Dieser Ausdruck enthält eine Gruppe mit den alternativen
# Teilstrings hot, warm oder cold;
# und eine zweite Gruppe mit den alternativen Teilstrings
# milk, coffee, water oder tea.
description = re.compile('(hot|warm|cold)\s(milk|coffee|water|tea)')
# Wir kennen re.search schon: Hier prüfen wir,
# ob der Test-String zum Muster passt.
# Das Ergebnis wird als Variable m gespeichert.
m = re.search(description, drink)
# Der Inhalt der Variable m hat den Typ re.Match.
# Der Inhalt von m zeigt uns, welcher Slice des Strings gematcht wurde
# ( = von welchem Startindex bis zu welchem Endindex
# der String dem Muster entspricht).
print(type(m))
print(m)
print("------------------------------------")
# Gruppe 0: Gesamter Match
print("Gruppe 0: {}".format(m.group(0)))
# Gruppe 1: Erste gematchte Gruppe aus dem Muster
print("Gruppe 1: {}".format(m.group(1)))
# Gruppe 2: Zweite gematchte Gruppe aus dem Muster
print("Gruppe 2: {}".format(m.group(2)))
# Und was ist hiermit?
#print("Gruppe 3: {}".format(m.group(3)))
Falls Gruppen ineinander verschachtelt sind, zählt für die Nummerierung die Reihenfolge der öffnenden Klammern. Hier das gleiche Beispiel von oben noch einmal, nur mit einer zusätzlichen Gruppe im regulären Ausdruck:
import re
# Unser Test-String
drink = 'warm tea'
description = re.compile('((hot|warm|cold)\s)(milk|coffee|water|tea)')
m = re.search(description, drink)
# Gruppe 0: Gesamter Match
print("Gruppe 0: {}".format(m.group(0)))
# Gruppe 1: Erste gematchte Gruppe aus dem Muster
print("Gruppe 1: {}".format(m.group(1)))
# Gruppe 2: Zweite gematchte Gruppe aus dem Muster
print("Gruppe 2: {}".format(m.group(2)))
# Gruppe 3: Dritte gematchte Gruppe aus dem Muster
print("Gruppe 3: {}".format(m.group(3)))
Die Gruppen sind am nützlichsten, wenn wir verschiedene Informationen aus einem String extrahieren und sie in einer strukturierten Form abspeichern wollen. Im folgenden Beispiel erhalten wir einen String mit einer Deklinationstabelle für ein lateinisches Substantiv. Ziel des Codes ist es, ein Dictionary zu erstellen, in dem die Informationen aus dem String abgespeichert werden und dann jederzeit wieder abgerufen werden können.
import re
lexicon = """amicus (Freund):
Nominativ: amicus
Genitiv: amici
Dativ: amico
Akkusativ: amicum
Ablativ: amico"""
# Jede Zeile, die uns interessiert, beginnt mit einem der fünf Worte
# "Nominativ", "Genitiv", Dativ", "Akkusativ" oder "Ablativ".
# Nach dem ersten Wort folgt ein Doppelpunkt.
# Nach dem Doppelpunkt steht ein Whitespace (Leerzeichen).
# Alle verbleibenden Zeichen werden mit der Gruppe (.*) "eingefangen".
case_and_form = re.compile('(Nominativ|Genitiv|Dativ|Akkusativ|Ablativ):\s(.*)')
# leeres Dictionary anlegen
forms = {}
# Wir schauen uns jede Zeile nacheinander an
for line in lexicon.split("\n"):
# Hier prüfen wir, ob das Muster case_and_form in der aktuellen
# Zeile gefunden wird
m = re.search(case_and_form, line)
if m:
# Falls das Muster auf die Zeile passt, können wir den Inhalt
# ins Dictionary schreiben.
# Die erste Gruppe enthält den Kasusnamen.
# Die zweite Gruppe enthält das dazugehörige Wort.
case = m.group(1)
form = m.group(2)
print("Aktueller Kasus: " + case)
print("Aktuelle Form: " + form)
# Schreibe für den Schlüssel case den Inhalt der Variable form
# ins Dictionary.
forms[case] = form
else:
# Manche Zeilen passen nicht zum Muster. Diese Zeilen werden
# nicht weiter verarbeitet.
print("kein Match gefunden: {}".format(line))
print(forms)
Im letzten Thema, 09-02, haben wir einen Brief von Heinrich Heine mit re.split() in seine einzelnen Sätze zerlegt, aber dabei gingen die Satzzeichen verloren.
Hier ein Vorschlag, wie es stattdessen gehen könnte. Diesmal definieren wir den regulären Ausdruck so, dass jeder Satz komplett von einer eigenen Gruppe abgedeckt wird. re.split() verhält sich dann anders, weil wir explizit definiert haben, dass das jeweilige Satzzeichen zum Satz dazugehört und deshalb beim Zerteilen nicht verloren gehen soll. re.split() berücksichtigt alle Elemente, die Teil einer Gruppe sind, und verhindert, dass Elemente innerhalb von Gruppen verloren gehen.
# VARIANTE 1: re.split() verwenden
import re
# Der Text enthält mehrere Sätze, die durch Satzendzeichen
# voneinander getrennt sind
heine_brief = """Sehr liebenswürdige und charmante Person! Ich bedauere sehr, daß ich Sie letzthin nur wenige Augenblicke sehen konnte. Sie haben einen äußerst vortheilhaften Eindruck hinterlassen u ich sehne mich nach dem Vergnügen, Sie recht bald wiederzusehen. – Wenn es Ihnen möglich ist, kommen Sie schon morgen, in jedem Fall, so bald es Ihnen Ihre Zeit erlaubt, Sie kündigen sich an wie letzthin. Den ganzen Tag bin ich zu jeder Stunde bereit Sie zu empfangen. Die liebste Zeit wär' mir von 4 Uhr bis so spät Sie wollen. – Trotz meiner Augenleiden schreibe ich eigen händig, weil ich jetzt keinen vertrauten Sekretair besitze. – Ich habe viel Peinliches um die Ohren und bin sehr leidend noch immer. Ich weiß nicht, warum Ihre liebreiche Theilnahme mir so wohl thut, und ich abergläubischer Mensch mir einbilden will, eine gute Fee besuche mich in trüber Stunde. Sie war die rechte Stunde. – Oder sind Sie eine böse Fee? Ich muß das bald wissen."""
# alter regulärer Ausdruck:
# satzende = re.compile('[!\.?]\s–?\s*')
# neuer regulärer Ausdruck:
satz = re.compile("([\w,\'\s]+[!\.?]\s–?\s?)")
# Jede Gruppe beginnt mit einer beliebigen Zahl von
# Buchstaben, Leerzeichen oder Kommas (mehr als 0).
# Danach folgt eins der Satzendzeichen.
# Optional folgt ein Gedankenstrich.
brief_saetze = re.split(satz, heine_brief)
for satz in brief_saetze:
print(satz)
print("+++")
re.findall() im Brief von Heinrich Heine¶Schließlich gibt es noch die Möglichkeit, mit re.findall() alle Teilstrings, die zum Muster passen, zu finden. Da unser regulärer Ausdruck jetzt immer genau einen Satz abdeckt, können wir das leicht umsetzen. Die RegEx bleibt so, wie wir sie eben schon definiert haben; nur die Verarbeitung des Strings läuft jetzt etwas anders.
# VARIANTE 2: re.findall() verwenden
import re
# Der Text enthält mehrere Sätze, die durch Satzendzeichen
# voneinander getrennt sind
heine_brief = """Sehr liebenswürdige und charmante Person! Ich bedauere sehr, daß ich Sie letzthin nur wenige Augenblicke sehen konnte. Sie haben einen äußerst vortheilhaften Eindruck hinterlassen u ich sehne mich nach dem Vergnügen, Sie recht bald wiederzusehen. – Wenn es Ihnen möglich ist, kommen Sie schon morgen, in jedem Fall, so bald es Ihnen Ihre Zeit erlaubt, Sie kündigen sich an wie letzthin. Den ganzen Tag bin ich zu jeder Stunde bereit Sie zu empfangen. Die liebste Zeit wär' mir von 4 Uhr bis so spät Sie wollen. – Trotz meiner Augenleiden schreibe ich eigen händig, weil ich jetzt keinen vertrauten Sekretair besitze. – Ich habe viel Peinliches um die Ohren und bin sehr leidend noch immer. Ich weiß nicht, warum Ihre liebreiche Theilnahme mir so wohl thut, und ich abergläubischer Mensch mir einbilden will, eine gute Fee besuche mich in trüber Stunde. Sie war die rechte Stunde. – Oder sind Sie eine böse Fee? Ich muß das bald wissen."""
# alter regulärer Ausdruck:
# satzende = re.compile('[!\.?]\s–?\s*')
# neuer regulärer Ausdruck:
satz = re.compile("([\w,\'\s]+[!\.?]\s?–?\s?)")
# Jede Gruppe beginnt mit einer beliebigen Zahl von
# Buchstaben, Leerzeichen oder Kommas (mehr als 0).
# Danach folgt eins der Satzendzeichen.
# Optional folgt ein Gedankenstrich.
brief_saetze = re.findall(satz, heine_brief)
for satz in brief_saetze:
print(satz)
print("+++")
Hier gilt es zu beachten, dass re.findall() uns nur Strings zurückgibt, keine zusätzlichen Informationen wie z.B. bei re.search(). Das ist aber kein Problem, solange uns sowieso nur der Stringinhalt der Teilmatches interessiert.
re.split() der Teilstring, der dem Muster entspricht, nicht verlorengeht.re.findall() erhalten wir alle Teilstrings, die zum Muster passen, und können sie weiter verarbeiten, z.B. in einer Schleife.