using regular expression

Bonjour tout le monde,

j'ai une question assez bête concernant le module re de la distribution standard.

Je voudrais trouver l'integer dans e.g. les occurences suivantes:

- 'molecules 10'
ou
- 'molecular types 10'

* Si je fais

re.findall('molecules\s+(\d+)|molecular\s+types(\d+)','molecules 10')

j'obtiens [('10','')]

* et si je fais

re.findall('molecules\s+(\d+)|molecular\s+types(\d+)','molecular types 10')

j'obtiens [].

Dans le premier cas je ne comprends pas bien pourquoi il me trouve '' comme solution et dans le deuxième cas je ne comprends pas bien pourquoi il ne trouve rien. Pourtant ma regexp me semble OK.

Avez-vous une idée ?

merci beaucoup

Eric

y a peut-être pas besoin d'utiliser les regex pour des phrases aussi simples,
Si l'integer recherché se trouve toujours à la fin:

Code:

---

1 2 3

ex = 'molecular types 10' ma_val = int(ex[ex.rfind(' ')+1:]) print ex ===> 10

---

Merci pour l'info. Mais justement mon problème est que dans le fichier à parser la ligne peut se presenter sous deux formats:

'molecules 10' ou 'molecular types 10'

et en plus avec un nombre variables d'espace entre chaque mots. D'où l'utilisation d'une regex.

Eric

Peux-tu donner quelques lignes de ton fichier ? Histoire de voir si les regex sont vraiment indispensables.

Citation:

---

Envoyé par tontonCalimero

Merci pour l'info. Mais justement mon problème est que dans le fichier à parser la ligne peut se presenter sous deux formats:

'molecules 10' ou 'molecular types 10'

et en plus avec un nombre variables d'espace entre chaque mots. D'où l'utilisation d'une regex.

Eric

---

mon exemple fonction quelque soit le nombre d'espaces, le seule condition est que le nombre termine la phrase sans espace après.
mais bon, comme le dit rambc, fais voir un bout du fichier qu'on se fasse une idée.

Voici quelques lignes du fichiers. Dans ce cas, il contient l'expression

Automatic FIELD created for 1 molecule of Cumene
units kJ
molecules 1 <-- !!! dans un autre fichier cela pourrait être molecular types 1
Cumene
nummols 100
atoms 21
CB 12.0110 -0.1150 1 0
CB 12.0110 -0.1150 1 0
CB 12.0110 -0.1150 1 0
...

merci pour le coup de main

Bonjour,

Voilà des solutions qui marchent (=qui renvoient l'entier 10), avec et sans regex:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

print "sans regex"   ch = 'molecules 10' print int(ch.split()[-1])   ch = 'molecular types 10' print int(ch.split()[-1])   print "avec regex"   import re   motif = r"[+-]?[0-9]+$"   ch = 'molecules 10' print int(re.findall(motif, ch)[0])   ch = 'molecular types 10' print int(re.findall(motif, ch)[0])

---

Tyrtamos

La RE doit être

Code:

---

'molecules\s+(\d+)|molecular\s+types\s+(\d+)'

---

Je qualifierais le motif que tu cherches de polymorphe: il comporte deux variantes.

Pour détecter cette polymorphie, la RE totale est RE = RE1|RE2 et chaque REi unitaire comporte la définition d’un groupe, soit deux groupes définis dans la RE totale.

Même si les deux termes de la RE totale sont exclusifs l’un de l’autre, le renvoi de la fonction comporte, pour chaque chaîne qui a allumé la regex, le compte rendu de ce qu’a trouvé la RE totale, soit les résultats pour les deux groupes définis.





Remarque:
findall() et finditer() sont utilisées quand on recherche plusieurs occurences d’un motif dans une chaîne.
Si ce n’est pas le cas, match() ou search() suffisent.

Après avoir lu ton dernier post, je pense que findall() n’est pas adaptée.
match() semble adaptée, à condition que 'molec' soit bien toujours le début de la ligne.
Mais en fait , pas la peine de se casser la tête; à part des cas particuliers où match() est préférable, il n’y a qu’à mettre search(), et hop !





Si m = re.search('molecules\s+(\d+)|molecular\s+types\s+(\d+)', ch) existe (c'est a dire qu'il y a matching de la RE dans ch; sinon m vaut None), alors:

• On obtient ce qui est trouvé par le premier groupe par m.group(1) et ce qui est trouvé par le deuxieme groupe par m.group(2)
  
  Si on veut tous les groupes, il faut connaître le nombre de groupes définis; ici, 2–> m.group(1,2)
  
  Noter que quand un groupe ne matche rien dans le motif trouvé, group() exprime le résultat par None, et que ceci ne peut pas être modifié.
  
  
  
• m.groups() fournit directement un tuple des résultats de matching de tous les groupes définis dans la RE.
  
  Noter que cette fois, les groupes qui ne matchent avec rien donnent aussi par défaut None, mais qu’on peut spécifier une autre traduction du non-matching d’un groupe en plaçant un argument : m.groups(’rien’), m.groups(o), m.groups("),etc.
  
  Quant à ce qui est trouvé par chaque groupe, il est obtenu par m.groups()[0] pour le premier groupe, par m.groups()[2] pour le second groupe, etc.
  Remarquer le décalage des indices par rapport à ceux de group().
  
  
  
• Et m.group(0) alors ?
  
  C’est la chaîne matchante en totalité, c’est à dire celle exprimée par la RE, qui est plus large que les groupes (habituellement).
  
  m.group(0) est équivalent à m.group()

J’ai mis longtemps à comprendre tout ça.
Après coup, on voit que Python dispose de group() , simple d’emploi, et groups() pour des traitements plus complexes.









Pour ton problème, ayant défini deux groupes, cela va compliquer l’obtention de l’entier, étant donné qu’il va être soit en position 1 soit en position 2 dans un résultat.

La RE suivante n’a pas cet inconvénient:

Code:

---

1 2 3

ch = 'il y a molecules 10 fois' mu = re.search('molec(?:ules|ular types)\s+(\d+)',ch) print mu.groupe(1)

---

Explication:
Pour écrire
’ules’ OU ’ular types’ dans une RE, il faut mettre ’|’.

Mais si on ne limite pas les caractéres concernés par des parenthèses, le OU va s’étendre de part et d’autre jusqu’aux limites de la RE globale.

On est donc obligé de borner par des parenthèses :
(ules|ular types)

Ce faisant on définit un groupe. Le groupe détecteur de l’entier est donc dans ce cas group(2).

Si on ne veut pas de cette définition superflue du premier groupe, on peut rendre le groupe non capturant au moyen des deux caractéres "?:" placés en tête du groupe.



PS

Je ne suis pas un partisan des regex à tout crin.
La preuve:
si l’entier est toujours à la fin de la ligne et tout seul, on peut aussi faire simplement

Code:

---

ch.rpartition(’ ’)[2]

---

Merci pour les conseils.

Malheureusement, mon problème est un peu plus compliqué. Je ne l'ai peut-être pas expliqué assez clairement.

En fait dans mon fichier, je ne sais pas spécialement à quel moment vont apparaitre les keywords qui m'intéressent ni à quelle position dans la ligne d'ailleurs.

Je dois donc:
- parser le fichier ligne par ligne
- detecter la ligne contenant quelque part molecules 10 OU molecular types 10

et c'est là où j'en reviens au problème énoncé dans mon premier post.

Encore merci

Eric

Je ne trouve pas ça très compliqué pour Python:

Si ch = 'molecules 10'
alors, liste = ch.split() donne ['molecules', '10']

Si ch = 'molecules type 10'
alors, liste = ch.split() donne ['molecules', 'type', '10']

Dans les 2 cas:

- on peut reconnaitre 'molecules' par un test avec liste[0] qui vaut ici 'molecules'

- et si oui, retrouver le nombre terminal 10 avec int(liste[-1]) qui vaut ici 10 puisque l'indice -1 veut dire "le dernier".

S'il n'y a pas d'autres contraintes, les regex ne sont vraiment pas utiles ici.

Tyrtamos

Code:

---

'molecul' in 'qsdfgfsdwvmoleculardqfdklsfn' ===> true

---

franchement, y a pas besoin de regex, amha...

Sur un fichier de plusieurs Mo répétant des lignes du genre

Citation:

---

faites entrer les molecules 6
faites sortir les molecular types 22
il y a molecules 10
are there molecular types 20
is there molecular types 34
il y a molecules 10
are there molecular types 20
is there molecular types 34
histoire de molecules 23
faites entrer les molecules 6
faites sortir les molecular types 22
il y a molecules 10
are there molecular types 20
is there molecular types 34
histoire de molecules 23
faites entrer les molecules 6
faites sortir les molecular types 22
il y a molecules 10

---

le code suivant

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 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58

import re from time import clock     patmol = re.compile('molec(?:ules|ular\s+types)\s+(\d+)')     a,b,c,d = [],[],[],[] for i in xrange(4): f = open('molecul.txt') te =clock() for ln in f: x = patmol.search(ln).group(1) tf = clock() f.close() print tf-te, a.append(tf-te)     f = open('molecul.txt') te =clock() for ln in f: if 'molecules' in ln or 'molecular tyeps' in ln: x = ln[:-1].split()[-1] tf = clock() f.close() print tf-te, b.append(tf-te)     f = open('molecul.txt') te =clock() for ln in f: x = ln[ln.rfind('es ')+3:-1] tf = clock() f.close() print tf-te, c.append(tf-te)     f = open('molecul.txt') te =clock() for ln in f: x = ln[:-1].rpartition(' ')[2] tf = clock() f.close() print tf-te d.append(tf-te)   print ma = sum(a)/len(a) mb = sum(b)/len(b) mc = sum(c)/len(c) md = sum(d)/len(d) print 'regex ',ma print 'split ',mb,' ',str(mb/ma*100)[0:5],'% de '+str(ma) print 'rfind ',mc,' ',str(mc/ma*100)[0:5],'% de '+str(ma) print 'rpartition ',md,' ',str(md/ma*100)[0:5],'% de '+str(ma)

---

donne

Code:

---

1 2 3 4

regex 1.41694991961 split 1.07674271451 75.99 % de 1.41694991961 rfind 0.636681337991 44.93 % de 1.41694991961 rpartition 0.482137045351 34.02 % de 1.41694991961

---

Je n'aurais pas cru que rpartition() soit la meilleure solution, et que la regex soit aussi lente.
Une regex permet plus de contrôle , cependant.

Je ne suis pas surpris par la regex, mais plus par le split. Comme quoi avec python on a des surprises.

:D