[Python] 정규표현식 (기초편)

정규표현식 목차

 

웹 스크래핑하고서 특정 데이터만 추출할 필요가 있을 때가 있습니다.

예를 들어 여러 개인정보가 섞인 데이터에서 전화 번호 000-0000-0000만을 가져와야한다고 가정해봅시다.

이 때 필요한게 정규표현식입니다.

 

복잡한 문자열을 처리할 때

훨신 간편하고 직관적인 코드를 작성할 수 있게 해줍니다.

 

메타 문자와 문자클래스를 이용해서 특정 데이터의 패턴을 만들고

match, search 등의 매서드를 통해서

데이터에서 특정 데이터를 추출합니다.

 

정규 표현식에서 쓰이는 메타 문자, 매서드에 대해서 알아보겠습니다.

 

 

---

 

 

메타 문자

 

 

메타 문자는 정규표현식을 만드는데 사용되는 문자를 뜻합니다.

메타 문자에[], {}, ?, +, * 등이 있는데

원래 그 문자가 가진 뜻이 아닌 특별한 뜻을 지닙니다.

 

 

1. [] (대괄호)

 

대괄호 안의 문자가 데이터에 있는지 확인을 해줍니다.

 

예를 들어

[abc]는 데이터에 a, b, c 중 하나만 있으면 된다는 의미입니다.

[a-z]에서 -는 우리가 아는 ~와 비슷한 의미로

데이터에 a부터 z까지 중에서 하나만 있으면 된다는 의미입니다.

 

2. .(dot)

 

줄바꿈 문자인 \n을 제외한 모든 문자를 의미합니다.

 

예를 들어

a.b는 'a + \n을 제외한 모든 문자 + b'를 의미합니다.

데이터에서 acb, a0b 등을 추출하기 위해서

a.b 정규표현식을 쓸 수 있습니다.

 

만약 메타 문자 .(dot)이 아닌 우리가 아는 일반적인 .(dot)을 쓰고 싶다면

a[.]b를 사용해주면 됩니다.

 

3. *(곱셈 기호)

 

바로 앞에 있는 문자의 반복을 의미합니다.

이 때 반복의 횟수는 0도 되고 1, 2, ... 도 될 수 있습니다.

 

예를 들어

ab*c를 사용하여

ac, abc, abbbc, abbbbbc 등의 데이터를 추출할 수 있습니다.

 

4. +(덧셈 기호)

 

+도 바로 앞에 있는 문자의 반복을 의미합니다.

다만 이 때는 문자가 최소 1번 이상 반복되어야 합니다.

 

즉, ab+c라고 하면

abc, abbbc는 되지만 ac는 추출할 수 없습니다.

 

5. {}(중괄호)

 

{}는 바로 앞에 있는 문자의 반복 횟수를 직접 정해줄 수 있습니다.

 

ab{1, 3}c를 통해서

abc, abbc, abbbc 데이터를 추출할 수 있습니다.

 

6. ?(물음표)

 

바로 앞에 있는 문자가 있어도 되고 없어도 된다는 의미입니다.

 

따라서 ab?c는

ac도 되고 abc도 됩니다.

 

7. ^(제곱 기호)

 

반대(not)을 뜻합니다.

[^a-z]는 영어 소문자인 a부터 z를 제외한다는 의미를 갖고 있습니다.

 

(다만 [](대괄호) 안의 ^일 때만 부정의 의미를 갖습니다..)

 

문자 클래스

 

 

 

문자 클래스를 통해 내가 가져오고자 하는 문자형을 가져올 수 있습니다.

 

1. \d

 

숫자를 가져옵니다.

[0-9]와 같은 의미입니다.

 

2. \D

 

숫자가 아닌 문자를 가져옵니다.

[^0-9]와 같은 의미입니다.

 

3. \s

 

화이트 스페이스를 의미합니다.

화이트 스페이스는 ' ', \n, \t 등과 같이 공백 문자를 의미합니다.

[\t\n\r\f\v]와 같은 의미입니다.

 

4. \S

 

화이트 스페이스가 아닌 것을 가져옵니다.

 

5. \w

 

문자 + 숫자를 가져옵니다.

[a-zA-Z0-9_]와 같은 의미입니다.

 

6. \W

 

문자와 숫자가 아닌 것을 가져옵니다.

[^a-zA-Z0-9_]를 의미합니다.

 

 

 

매서드

 

 

매서드는 메타 코드와 문자 클래스로 표현한 정규표현식에 맞는

데이터를 추출해주는 함수입니다.

 

1. match()

 

문자열의 처음부터 정규식과 매치되는지 조사하여 결과를 반환합니다.

 

m = re.match('[a-z]+', "python")

 

[a-z]+는 추출할 문자열인 'python'에서

영어 소문자가 1개 이상인 데이터를 가져오므로

결과값으로 python이 나올 것입니다.

 

2. search()

 

문자열 전체를 검색하여 정규식과 매치되는 데이터 하나를 가져옵니다.

 

p = re.compile(정규표현식)

m = p.search('3 python')
print(m)

 

p 변수에 내가 정규표현식을 담았고

search 함수를 통해서

'3 python'에서 정규표현식에 매치되는 데이터를 가져옵니다.

 

정규표현식이 [a-z]+ 였다면 'python'을 가져왔을테고

[0-9]+ 였다면 '3'을 가져왔겠습니다.

 

3. findall()

 

정규식과 매치되는 모든 문자열을 리스트로 가져옵니다.

 

p = re.compile('정규표현식')

result = p.findall('life is too short')
print(result)

 

만약 정규표현식이 영어 소문자를 가져오는 식이었다면

['life', 'is', 'too', 'short']를 결과로 가져왔을 겁니다.

 

4. finditer()

 

정규식과 매치되는 모든 문자열을 반복 가능한 객체로 가져옵니다.

 

p = re.compile('정규표현식')

result = p.finditer('life is too short')
for r in result:
    print(r)

 

반복 가능한 객체로 가져와서

for같은 반복문과 함께 쓰일 수 있습니다.

 

 

객체 매서드

 

 

정규표현식을 써서 추출한 데이터의 정보의

어떤 것을 가져올지 정할 수 있습니다.

 

1. group()

 

정규표현식을 사용해서 가져온 데이터 변수에 print()를 적용해주면

 

<re.Match object; span=(2, 8), match='python'>

 

이런 결과가 나옵니다.

 

뭔가 보기 불편하지 않나요?

그럴 때 데이터 변수에 group을 써주면

 

print(m.group())

 

'python'만 얻을 수 있답니다..

 

2. start()

 

매치된 문자열의 시작 위치를 리턴해줍니다.

 

3. end()

 

매치된 문자열의 끝 위치를 리턴해줍니다.

 

4. span()

 

매치된 문자열의 시작과 끝 인덱스를

튜플에 담아서 리턴해줍니다.

 

 

---

 

 

여기까지 정규표현식 관련 간단한 개념을 다뤄봤습니다..

다음에는 정규 표현식 심화와 응용으로 찾아뵙겠습니다..