Négation de REGEX

Version imprimable

15/02/2015, 22h39
tallent_e

Négation de REGEX

Bonsoir.

Exemple de texte:

Citation:

b'STN--- WBAN YEARMODA TEMP DEWP SLP STP VISIB WDSP MXSPD GUST MAX MIN PRCP SNDP FRSHTT\n486200 99999 20110101 79.3 24 74.5 24 1007.2 8 1006.2 8 6.6 24 2.2 24 7.0 999.9 87.8 74.1 0.00G 999.9 010000\n486200 99999 20110102 79.7 24 74.9 24 1007.8 8 1006.9 8 6.1 24 2.8 24 8.0 15.0 91.9 74.8 0.00G 999.9 010010\n486200 99999 20110103 77.5 24 73.6 24 1008.5 8 1007.6 8 6.0 24 2.8 24 6.0 999.9 83.7 73.4* 0.68G 999.9 010000\n486200 99999 20110104 81.2 24 75.0 24 1007.7 8 1006.8 8 6.3 24 3.0 24 5.1 999.9 89.6* 73.0 0.14G 999.9 010010\n486200 99999 20110105 79.7 24 74.8 24 1007.8 8 1006.8 8 7.0 24 2.4 24 6.0 999.9 87.8 73.0 0.57G 999.9 010000\n486200 99999 20110106 77.4 24 74.6 24 1008.8 8 1007.9 8 6.0 24 1.5 24 4.1 999.9 81.0 73.2 0.16G 999.9 010000\n486200 99999 20110107 77.7 24 75.0 24 1008.9

Dans le texte ci-dessus, retrouver toutes les dates (ex: '20110101') et les précipitations qui sont les seules digits accompagnées d'une lettre (ex: '0.57G') est possible avec la regex:

Citation:

(\d{8}|\d{1,2}\.\d{1,2}[ABCDEFG])

Mais je veux en fait, l'inverse, c'est à dire retrouver tout sauf le résultat de cette regex. Je m'attendais à ce que:

Citation:

(?!(\d{8}|\d{1,2}\.\d{1,2}[ABCDEFG]))

fonctionne, mais non ...

Avez-vous des suggestions?

Merci

Bonjour,

On peut "éplucher" une chaine de la façon suivante:

Prenons un exemple plus simple que le tien:
Code:

1 2 chaine = "aaaaaXXXbbbbbbXXXccccccccc" motif = r"XXX"
On compile le motif: c'est important pour pouvoir utiliser l'option "pos" de search.

Code:

rc = re.compile(motif)

On va maintenant chercher toutes les sous-chaines correspondant au motif, mais en renvoyant leurs indices de début et de fin:
Code:

1 2 3 4 5 6 7 8 9 10 result = [] pos = 0 while True: m = rc.search(chaine, pos) if m == None: break # il n'y a plus rien de trouvé après pos pos = m.end() result.append([m.start(), pos]) print(result)
Ce qui donnera ici comme résultat:

Code:

[[5, 8], [14, 17]]

On a bien: chaine[5:8] == "XXX" et chaine[14:17] == "XXX"

Connaissant les adresses des séquences trouvés, on peut en déduire les sous-chaines qui n'en font pas partie:
Code:

1 2 3 4 5 6 print(chaine[0:5]) aaaaa print(chaine[8:14]) bbbbbb print(chaine[17:len(chaine)]) ccccccccc
Voilà comment on peut automatiser cela:
Code:

1 2 3 4 5 6 7 alt = [] if len(result) > 0: alt.append([0, result[0][0]]) for i in range(0, len(result) - 1): alt.append([result[i][1], result[i + 1][0]]) alt.append([result[-1][1], len(chaine)]) print(alt)
Ce qui donne:

Code:

[[0, 5], [8, 14], [17, 26]]

On obtient bien toutes les sous-chaines qui ne sont pas les séquences satisfaisant au motif regex.

Citation:

Envoyé par tallent_e

Bonsoir.

Exemple de texte:
Dans le texte ci-dessus, retrouver toutes les dates (ex: '20110101') et les précipitations qui sont les seules digits accompagnées d'une lettre (ex: '0.57G') est possible avec la regex:
Mais je veux en fait, l'inverse, c'est à dire retrouver tout sauf le résultat de cette regex. Je m'attendais à ce que:
fonctionne, mais non ...
Avez-vous des suggestions?
Merci

Bonjour,

Est-ce ceci que vous cherchez à obtenir :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 #!/usr/bin/env python3 # -*- coding: utf-8 -*- import re text = ( "STN--- WBAN YEARMODA TEMP DEWP SLP STP VISIB WDSP MXSPD " "GUST MAX MIN PRCP SNDP FRSHTT\n486200 99999 20110101 79.3 " "24 74.5 24 1007.2 8 1006.2 8 6.6 24 2.2 24 7.0 999.9 87.8 " "74.1 0.00G 999.9 010000\n486200 99999 20110102 79.7 24 74.9 " "24 1007.8 8 1006.9 8 6.1 24 2.8 24 8.0 15.0 91.9 74.8 0.00G " "999.9 010010\n486200 99999 20110103 77.5 24 73.6 24 1008.5 " "8 1007.6 8 6.0 24 2.8 24 6.0 999.9 83.7 73.4* 0.68G 999.9 " "010000\n486200 99999 20110104 81.2 24 75.0 24 1007.7 8 1006.8 " "8 6.3 24 3.0 24 5.1 999.9 89.6* 73.0 0.14G 999.9 010010\n486200 " "99999 20110105 79.7 24 74.8 24 1007.8 8 1006.8 8 7.0 24 2.4 " "24 6.0 999.9 87.8 73.0 0.57G 999.9 010000\n486200 99999 " "20110106 77.4 24 74.6 24 1008.8 8 1007.9 8 6.0 24 1.5 24 " "4.1 999.9 81.0 73.2 0.16G 999.9 010000\n486200 99999 20110107 " "77.7 24 75.0 24 1008.9" ) # split around regexp res = re.split(r"\d{8}|\d{1,2}\.\d{1,2}[ABCDEFG]", text) # list print(res) # str print("".join(res))
Notez que (?!expr) est la négation d'un lookahead, extrait de la doc officielle :

Citation:

(?=...)
Matches if ... matches next, but doesn’t consume any of the string. This is called a lookahead assertion. For example, Isaac (?=Asimov) will match 'Isaac ' only if it’s followed by 'Asimov'.
(?!...)
Matches if ... doesn’t match next. This is a negative lookahead assertion. For example, Isaac (?!Asimov) will match 'Isaac ' only if it’s not followed by 'Asimov'.

doc officielle : https://docs.python.org/3/library/re.html

bon courage.

@+.

Salut,

Ces données proviennent des fichiers NOAA (une sorte de météo france pour les USA).
Ces fichiers sont à format fixe et de a forme:

Code:

1
2
3
4
5
STN--- WBAN   YEARMODA    TEMP       DEWP      SLP        STP       VISIB      WDSP     MXSPD   GUST    MAX     MIN   PRCP   SNDP   FRSHTT 
724940 23234  19730101    49.6 24    28.4 24  1024.5 24  1023.8 24   27.6 24    5.3 24   14.0   20.0    57.2*   37.4*  3.54G 999.9  000000 
724940 23234  19740101    44.1 24    34.8 24  1012.6 24  1011.9 24   23.0 24    9.0 24   17.1   19.8    51.8*   37.4*  0.20G 999.9  110000 
724940 23234  19750101    43.5 24    26.6 24  1026.9 24  1026.1 24   22.2 24    4.2 24   10.1  999.9    55.9*   34.0* 99.99G 999.9  010000 
724940 23234  19760101    45.8 24    21.7 23  1019.1 24  1018.4 24   33.6 24   10.0 24   16.9  999.9    53.1*   39.9*  0.00I 999.9  000000

Ce format est documenté par la NOAA ici. Pour les informations qui nous intéressent, on a:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
...
YEAR    15-18     Int.   The year.
 
MODA    19-22     Int.   The month and day.
...
PRCP    119-123   Real   Total precipitation (rain and/or melted
                         snow) reported during the day in inches
                         and hundredths; will usually not end 
                         with the midnight observation--i.e., 
                         may include latter part of previous day.
                         .00 indicates no measurable              
                         precipitation (includes a trace).        
                         Missing = 99.99
                         Note:  Many stations do not report '0' on
                         days with no precipitation--therefore,  
                         '99.99' will often appear on these days.
                         Also, for example, a station may only
                         report a 6-hour amount for the period 
                         during which rain fell.
                         See Flag field for source of data.

Et pour extraire cela d'une ligne écrite:

Code:

1
2
3
4
>>> line
'724940 23234  19730101    49.6 24    28.4 24  1024.5 24  1023.8 24   27.6 24    5.3 24   14.0   20.0    57.2*   37.4*  3.54G 999.9
 000000 '
>>>

On peut utiliser les positions données dans la documentation (en se rappelant que c'est un indexage "fortran"):

Code:

1
2
3
4
5
>>> line[15-1:22] # YEAR + MODA
'19730101'
>>> line[119-1:123] # PRCP
' 3.54'
>>>

De fait, les regexp n'apportent ici pas grand chose.

- W

16/02/2015, 20h46
tallent_e

Bonsoir. Merci pour votre aide.

Well .... le 'problème' venait surtout de ma façon de raisonner.

J'avais en tête de rechercher les substrings du type 12345678 et 1.23A puis d'effacer tout le reste:

Code:

re.sub(négation de ma pattern, remplacer par rien, sur ma longue string)

.

Ce qui est un peu compliqué ('tordu', en fait ...) . Il suffit d'utiliser la fonction

Code:

re.findall(ma pattern, sur ma longue string)

. Et point barre.

Merci.