Lidsky řečeno
"kočka" in text hledá konkrétního člověka podle jména. Regulární výraz je popis pro policii: „dvě velká písmena, pomlčka, čtyři číslice“. Neznáš přesnou hodnotu, ale poznáš každého, kdo popisu odpovídá.
Hledání podle vzoru
V e-mailech od zákazníků jsou čísla objednávek ve tvaru OBJ- a čtyři číslice. Metoda find umí hledat jen přesný text, jenže čísla předem neznáš. Regulární výraz (zkráceně regex) je krátký zápis vzoru a v Pythonu s ním pracuje modul re.
import re
text = "Reklamace k OBJ-2291 a OBJ-0417. Číslo OBJ-77 je neplatné."
print(re.findall(r"OBJ-\d{4}", text))
['OBJ-2291', 'OBJ-0417']
Vzor čti zleva: doslova OBJ-, potom \d (číslice) a {4} (přesně čtyřikrát). OBJ-77 má číslice jen dvě, a tak neprošlo.
Písmeno r před uvozovkami značí surový řetězec: zpětné lomítko v něm zůstane obyčejným znakem a dostane se až k modulu re.
Abeceda vzorů
Většinu práce obstará pár značek.
| Vzor | Význam |
|---|---|
. | jakýkoli znak kromě konce řádku |
\d \D | číslice, a naopak cokoli jiného |
\w \W | znak slova (písmeno, číslice, _), a naopak |
\s \S | bílý znak (mezera, tabulátor, nový řádek), a naopak |
[abc] | jeden ze znaků v závorce |
[a-z] | jeden znak z rozsahu |
[^abc] | jeden znak, který v závorce není |
? | předchozí nula nebo jednou |
* | předchozí nula a vícekrát |
+ | předchozí jednou a vícekrát |
{3} {2,4} | přesně 3krát, 2 až 4krát |
^ $ | začátek a konec textu |
\b | hranice slova |
a|b | a nebo b |
Znaky se zvláštním významem, když je chceš doslova, uvozuje zpětné lomítko: \. je opravdová tečka.
import re
text = "PSČ 110 00, 60200 a 7390; balení 1.5 kg, 1x5 krabic"
print(re.findall(r"\d{3} ?\d{2}", text))
print(re.findall(r"1.5", text))
print(re.findall(r"1\.5", text))
print(re.findall(r"\b\d\b", "1 22 3"))
print(re.findall(r"[A-Z]\d", "A1 b2 C3"))
['110 00', '60200'] ['1.5', '1x5'] ['1.5'] ['1', '3'] ['A1', 'C3']
Mezera s otazníkem v prvním vzoru znamená „mezera tu být může“. Druhý řádek ukazuje nejčastější přehlédnutí: tečka bez lomítka vzala i 1x5.
Čeština je tu zvláštní případ. \w české znaky zná, ale rozsah [a-z] opravdu znamená jen písmena anglické abecedy.
import re
veta = "Žluťoučký kůň, 3 krát!"
print(re.findall(r"\w+", veta))
print(re.findall(r"[a-zA-Z]+", veta))
['Žluťoučký', 'kůň', '3', 'krát'] ['lu', 'ou', 'k', 'k', 'kr', 't']
Najdi skladové kódy
Napiš funkci najdi_kody(text), která vrátí seznam kódů. Platný kód má 2 nebo 3 velká písmena bez diakritiky, pomlčku a přesně 4 číslice. Kód musí stát samostatně, takže ABCD-1234 ani AB-12345 se nepočítají.
import re
def najdi_kody(text):
return []
Funkce modulu re
Vzor je jedna věc, druhá je, co s ním chceš udělat.
| Funkce | Co dělá | Vrací |
|---|---|---|
re.search | najde první výskyt kdekoli | Match nebo None |
re.match | zkouší shodu jen od začátku | Match nebo None |
re.fullmatch | shoda musí pokrýt celý text | Match nebo None |
re.findall | najde všechny výskyty | seznam |
re.finditer | najde všechny, postupně | iterátor Match objektů |
import re
kod = "abc 123"
print(re.search(r"\d+", kod))
print(re.match(r"\d+", kod))
print(re.fullmatch(r"\d+", "123"))
print(re.fullmatch(r"\d+", "123a"))
<re.Match object; span=(4, 7), match='123'> None <re.Match object; span=(0, 3), match='123'> None
Výsledek je objekt Match, nebo None, když se nic nenašlo. Ptá se na něj if, a uvnitř zjistíš podrobnosti: co se našlo a kde.
import re
uctenka = "káva 89 Kč, dort 120 Kč, voda 35 Kč"
for nalez in re.finditer(r"(\d+) Kč", uctenka):
print(nalez.group(), "na pozici", nalez.start(), "cena", int(nalez.group(1)))
89 Kč na pozici 5 cena 89 120 Kč na pozici 17 cena 120 35 Kč na pozici 30 cena 35
Je to PSČ?
Napiš funkci je_psc(text), která vrátí True, když je celý text platné PSČ: tři číslice, volitelná jedna mezera, dvě číslice. Jinak vrátí False.
import re
def je_psc(text):
return None
Skupiny: vytáhni jen to podstatné
Kulaté závorky vytvoří skupinu. Ta si zapamatuje, co pokryla. Lepší je dát jí jméno přes (?P<jmeno>...), protože vzor se pak čte snáz a číslování se nerozsype, když přidáš další závorku.
import re
vzor = r"(?P<den>\d{1,2})\.(?P<mesic>\d{1,2})\.(?P<rok>\d{4})"
nalez = re.search(vzor, "Termín: 14.3.2026 dopoledne")
print(nalez.group())
print(nalez.group(1), nalez["rok"])
print(nalez.groupdict())
14.3.2026
14 2026
{'den': '14', 'mesic': '3', 'rok': '2026'}Závorky navíc určují, kam až sahá | nebo opakování. Pokud je potřebuješ jen na seskupení a ukládat nic nechceš, napiš (?:...). A to je důležité kvůli findall, který se se skupinami chová jinak: nevrací celou shodu, ale jen obsah skupin.
import re
text = "Volej 800 nebo 900, případně linku 700."
print(re.findall(r"(8|9)00", text))
print(re.findall(r"(?:8|9)00", text))
print(re.findall(r"(\w)(\d)", "a1 b2"))
['8', '9']
['800', '900']
[('a', '1'), ('b', '2')]Rozlož řádek faktury
Napiš funkci rozloz(radek) pro řádky jako Faktura 2026/0042, splatnost 14.3.2026, částka 12 500 Kč. Vrátí slovník s klíči cislo (text "2026/0042"), splatnost (text "14.3.2026") a castka (celé číslo 12500, mezery v částce zmiz). Když řádek neodpovídá, vrátí None.
import re
def rozloz(radek):
return None
Nahrazování a dělení
re.sub nahradí všechny shody. V náhradě se na skupiny odkážeš přes \1 nebo \g<jmeno>. Místo textu můžeš předat i funkci, která dostane Match a vrátí náhradu.
import re
print(re.sub(r"\s+", " ", "příliš mnoho \n mezer"))
print(re.sub(r"(\d{1,2})\.(\d{1,2})\.(\d{4})", r"\3-\2-\1", "od 14.3.2026"))
def iso(nalez):
den, mesic, rok = nalez.groups()
return f"{rok}-{int(mesic):02}-{int(den):02}"
print(re.sub(r"(\d{1,2})\.(\d{1,2})\.(\d{4})", iso, "od 14.3.2026 do 2.11.2026"))
příliš mnoho mezer od 2026-3-14 od 2026-03-14 do 2026-11-02
Prostá náhrada na druhém řádku jen přehází skupiny, takže měsíc zůstal bez úvodní nuly. Funkce na třetím řádku si s ním poradí.
re.split dělí text podle vzoru, takže si poradí s více různými oddělovači. A když je součástí vzoru text od uživatele, projeď ho přes re.escape, aby se jeho tečky a hvězdičky nebraly jako značky.
import re
print(re.split(r"\s*[,;]\s*", "jablka, hrušky ;švestky, třešně"))
hledane = "C++ (2020)"
print(re.findall(re.escape(hledane), "Kurz C++ (2020) a C++ (2023)"))
['jablka', 'hrušky', 'švestky', 'třešně'] ['C++ (2020)']
Schovej telefony
Napiš funkci zamaskuj(text), která v textu nahradí devítimístná telefonní čísla tak, že zůstanou vidět jen poslední tři číslice: 600 000 123 i 600000123 se změní na *** *** 123. Číslice mohou být ve trojicích oddělené jednou mezerou nebo bez mezer. Delší řady číslic neměň.
import re
def zamaskuj(text):
return text
Hladovost, příznaky a kdy regex nepoužít
Opakování je hladové: vezme co nejvíc a vrací jen tolik, kolik je nutné. Otazník za ním z něj udělá líné, které bere co nejméně. Často je ale nejčistší říct přesně, co se opakovat smí.
Chování vzoru mění příznaky. re.IGNORECASE nerozlišuje velikost písmen, re.MULTILINE dá značkám ^ a $ význam začátku a konce každého řádku, re.DOTALL pustí tečku i přes konec řádku a re.VERBOSE dovolí psát vzor na více řádků s komentáři.
import re
html = "<b>tučně</b> a <i>kurzíva</i>"
print(re.findall(r"<.+>", html))
print(re.findall(r"<.+?>", html))
print(re.findall(r"<[^>]+>", html))
zaznam = "ERROR disk\ninfo start\nError síť"
print(re.findall(r"^error (\w+)", zaznam, re.IGNORECASE | re.MULTILINE))
CENA = re.compile(r"""
(?P<castka> \d+ (?: [.,] \d{1,2} )? ) # celá část a případné haléře
\s*
(?P<mena> Kč | EUR ) # měna
""", re.VERBOSE)
print(CENA.search("Celkem 149,50 Kč").groupdict())
['<b>tučně</b> a <i>kurzíva</i>']
['<b>', '</b>', '<i>', '</i>']
['<b>', '</b>', '<i>', '</i>']
['disk', 'síť']
{'castka': '149,50', 'mena': 'Kč'}re.compile uloží hotový vzor pod jménem. Hlavní přínos je čitelnost, protože běžné funkce modulu si vzory kešují i samy.
Regex je silný, a proto se snadno používá i tam, kam nepatří:
- Pevný text vyřeší rychleji a čitelněji
in,startswith,splitneboreplace. - HTML čti parserem, viz BeautifulSoup. Vnořené značky regulárním výrazem spolehlivě nezvládneš.
- JSON a CSV mají vlastní moduly, viz JSON a CSV.
- Datum ověří
strptime. Vzor\d{2}\.\d{2}\.s radostí přijme i99.99.. - E-mail zkontroluj zhruba (zavináč, tečka za ním) a skutečnou platnost ověř odesláním zprávy.
Který zápis správně ověří, že celý text jsou samé číslice?
search stačí číslice kdekoli a match číslice na začátku. Jen fullmatch trvá na shodě přes celý text.
Co vrátí re.findall(r"(a)b", "ab ab")?
Má-li vzor jednu skupinu, findall vrací její obsah. Celou shodu dostaneš přes (?:a)b nebo bez závorek.
Co najde <.+> v textu <a> <b>?
.+ je hladové, dojde na konec a vrací se jen k poslednímu >.
Pod kapotou · backtracking, ReDoS a unicode
Engine. Modul re je backtrackovací: zkouší varianty a při neúspěchu se vrací. Díky tomu umí zpětné reference a lookaround, ale v nejhorším případě trvá exponenciálně dlouho.
import re
re.fullmatch(r"(a+)+", "a" * 30 + "!") # nespouštěj: prakticky se nedočkášVnořený kvantifikátor dává exponenciálně mnoho způsobů, jak rozdělit a mezi vnitřní a vnější opakování, a koncové ! donutí engine vyzkoušet je všechny. Pokud takový vzor běží nad vstupem od uživatele, stačí jeden požadavek k zablokování procesu (ReDoS). re nemá timeout a GIL během shody neuvolňuje, takže stojí i ostatní vlákna.
Obrana: nevnořuj kvantifikátory nad překrývajícími se třídami, omez délku vstupu a používej konkrétní třídy místo .*. Od Pythonu 3.11 jsou k dispozici atomické skupiny (?>...) a posesivní kvantifikátory a++, které backtracking zakážou. Pro cizí vzory sáhni po enginu s lineární zárukou (google-re2), nebo po balíku regex, který umí timeout.
Unicode. U str je \d jakákoli desítková číslice Unicode, tedy i ٣, a int("٣") navíc projde. \w obsahuje písmena všech abeced. Na validaci strojových formátů dej re.ASCII nebo [0-9]. Jen písmena bez číslic a podtržítka popíše [^\W\d_]. re.IGNORECASE s Unicode umí překvapit: k se shoduje i se znakem Kelvina K.
Konec textu. $ se shoduje i před koncovým \n, takže re.match(r"\d+$", "123\n") projde. Přesný konec je \Z, nebo použij fullmatch. To je reálná díra ve validaci vstupů, které se později skládají do hlaviček nebo příkazů.
Lookaround testuje okolí, aniž by ho spotřeboval: (?=...), (?!...), (?<=...), (?<!...). Lookbehind musí mít v re pevnou délku. Třeba \d(?=(?:\d{3})+\b) najde číslice, za které patří oddělovač tisíců.
Výkon. Funkce na úrovni modulu kešují kompilované vzory, takže re.compile v cyklu moc nezrychlí. Pro hledání pevných řetězců jsou metody str řádově rychlejší. V Pythonu 3.13 se re.error přejmenoval na re.PatternError, staré jméno zůstává jako alias.
Vyzkoušej si: Zkoušečka regulárních výrazů
Piš vzor a text a sleduj zvýrazněné shody a skupiny. Používá regulární výrazy prohlížeče, které se od Pythonu v detailech liší.