Regular Expressions

1. Giới thiệu

Regular Expression (biểu thức chính quy), thường gọi tắt là Regex, là một công cụ mạnh mẽ để tìm kiếm, so khớp và xử lý chuỗi theo các mẫu (pattern).

Regex giúp bạn:

• Tìm kiếm văn bản theo mẫu phức tạp
• Validate format (email, số điện thoại, URL,…)
• Thay thế văn bản có điều kiện
• Tách chuỗi theo pattern
• Trích xuất thông tin từ văn bản

2. Module re

Python cung cấp module re để làm việc với regex:

import re

3. Các hàm cơ bản

3.1 - re.search() - Tìm kiếm

Tìm lần xuất hiện đầu tiên của pattern:

import re

text = "My phone is 0123-456-789"
result = re.search(r"\d+", text)

if result:
    print(result.group())  # 0123
    print(result.start())  # 13 (vị trí bắt đầu)
    print(result.end())    # 17 (vị trí kết thúc)

3.2 - re.match() - So khớp từ đầu

Chỉ so khớp ở đầu chuỗi:

import re

text = "Python is great"

# Match thành công
result = re.match(r"Python", text)
print(result.group() if result else "No match")  # Python

# Match thất bại (không ở đầu)
result = re.match(r"is", text)
print(result.group() if result else "No match")  # No match

3.3 - re.findall() - Tìm tất cả

Trả về list tất cả kết quả khớp:

import re

text = "My numbers: 123, 456, 789"
numbers = re.findall(r"\d+", text)
print(numbers)  # ['123', '456', '789']

# Tìm tất cả từ
text = "Hello World Python"
words = re.findall(r"\w+", text)
print(words)  # ['Hello', 'World', 'Python']

3.4 - re.finditer() - Iterator

Trả về iterator của Match objects:

import re

text = "Emails: [email protected], [email protected]"
pattern = r"\w+@\w+\.\w+"

for match in re.finditer(pattern, text):
    print(f"Found: {match.group()} at {match.start()}-{match.end()}")

3.5 - re.sub() - Thay thế

Thay thế chuỗi khớp với pattern:

import re

text = "My phone is 0123-456-789"
# Thay thế số bằng 'X'
result = re.sub(r"\d", "X", text)
print(result)  # My phone is XXXX-XXX-XXX

# Thay thế với limit
result = re.sub(r"\d", "X", text, count=4)
print(result)  # My phone is XXXX-456-789

3.6 - re.split() - Tách chuỗi

Tách chuỗi theo pattern:

import re

text = "apple,banana;orange:grape"
fruits = re.split(r"[,;:]", text)
print(fruits)  # ['apple', 'banana', 'orange', 'grape']

# Tách theo khoảng trắng
text = "Hello    World   Python"
words = re.split(r"\s+", text)
print(words)  # ['Hello', 'World', 'Python']

4. Pattern Syntax (Cú pháp)

4.1 - Ký tự đặc biệt

Pattern	Ý nghĩa	Ví dụ
.	Bất kỳ ký tự nào	a.c → “abc”, “a1c”
^	Đầu chuỗi	^Hello → “Hello world”
$	Cuối chuỗi	world$ → “Hello world”
*	0 hoặc nhiều lần	ab*c → “ac”, “abc”, “abbc”
+	1 hoặc nhiều lần	ab+c → “abc”, “abbc”
?	0 hoặc 1 lần	ab?c → “ac”, “abc”
|	Hoặc (OR)	cat|dog → “cat” hoặc “dog”

4.2 - Character Classes

Pattern	Ý nghĩa	Ví dụ
[abc]	a, b, hoặc c	[aeiou] → nguyên âm
[^abc]	Không phải a, b, c	[^0-9] → không phải số
[a-z]	Từ a đến z	[a-zA-Z] → chữ cái
[0-9]	Từ 0 đến 9	[0-9]+ → số

4.3 - Predefined Character Classes

Pattern	Ý nghĩa	Tương đương
\d	Chữ số	[0-9]
\D	Không phải chữ số	[^0-9]
\w	Chữ/số/underscore	[a-zA-Z0-9_]
\W	Không phải \w	[^a-zA-Z0-9_]
\s	Khoảng trắng	[ \t\n\r\f\v]
\S	Không phải khoảng trắng	[^ \t\n\r\f\v]

4.4 - Quantifiers (Bộ lượng từ)

Pattern	Ý nghĩa	Ví dụ
{n}	Chính xác n lần	\d{3} → 3 chữ số
{n,}	Ít nhất n lần	\d{2,} → 2+ chữ số
{n,m}	Từ n đến m lần	\d{2,4} → 2-4 chữ số
*	0 hoặc nhiều	\d*
+	1 hoặc nhiều	\d+
?	0 hoặc 1	\d?

5. Ví dụ Pattern cơ bản

5.1 - Tìm số

import re

text = "I have 3 apples and 5 oranges"
numbers = re.findall(r"\d+", text)
print(numbers)  # ['3', '5']

5.2 - Tìm từ

import re

text = "Hello World! Python123 is_great"
words = re.findall(r"\w+", text)
print(words)  # ['Hello', 'World', 'Python123', 'is_great']

# Chỉ chữ cái
letters_only = re.findall(r"[a-zA-Z]+", text)
print(letters_only)  # ['Hello', 'World', 'Python', 'is', 'great']

5.3 - Tìm email

import re

text = "Contact: [email protected] or [email protected]"
emails = re.findall(r"\w+@\w+\.\w+", text)
print(emails)  # ['[email protected]', '[email protected]']

# Pattern tốt hơn
emails = re.findall(r"[\w.-]+@[\w.-]+\.\w+", text)
print(emails)  # ['[email protected]', '[email protected]']

5.4 - Tìm URL

import re

text = "Visit https://example.com or http://test.org"
urls = re.findall(r"https?://[\w.-]+", text)
print(urls)  # ['https://example.com', 'http://test.org']

5.5 - Tìm số điện thoại

import re

text = "Call me at 0123-456-789 or (012) 345-6789"
phones = re.findall(r"\d{3,4}[-\s]?\d{3}[-\s]?\d{3,4}", text)
print(phones)  # ['0123-456-789']

# Pattern phức tạp hơn
phones = re.findall(r"[\d\(\)\s-]+", text)
print(phones)  # ['0123-456-789', '(012) 345-6789']

6. Groups và Capturing

6.1 - Basic Groups

import re

text = "My email is [email protected]"
match = re.search(r"(\w+)@(\w+\.\w+)", text)

if match:
    print(match.group(0))  # [email protected] (toàn bộ)
    print(match.group(1))  # alice (group 1)
    print(match.group(2))  # example.com (group 2)

6.2 - Named Groups

import re

text = "Date: 2024-12-25"
pattern = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})"
match = re.search(pattern, text)

if match:
    print(match.group('year'))   # 2024
    print(match.group('month'))  # 12
    print(match.group('day'))    # 25
    print(match.groupdict())     # {'year': '2024', 'month': '12', 'day': '25'}

6.3 - Non-capturing Groups

import re

# (?:...) không capture
text = "Price: $100"
match = re.search(r"(?:\$)(\d+)", text)

if match:
    print(match.group(1))  # 100
    # Không có group cho $

6.4 - Ví dụ: Parse log

import re

log = "[2024-12-10 14:30:45] ERROR: Connection timeout"
pattern = r"\[(?P<date>\d{4}-\d{2}-\d{2}) (?P<time>\d{2}:\d{2}:\d{2})\] (?P<level>\w+): (?P<message>.*)"

match = re.search(pattern, log)
if match:
    print(f"Date: {match.group('date')}")
    print(f"Time: {match.group('time')}")
    print(f"Level: {match.group('level')}")
    print(f"Message: {match.group('message')}")

7. Flags (Cờ)

7.1 - re.IGNORECASE (re.I)

import re

text = "Hello World"
# Không phân biệt hoa thường
result = re.findall(r"hello", text, re.IGNORECASE)
print(result)  # ['Hello']

7.2 - re.MULTILINE (re.M)

import re

text = """Line 1: Start
Line 2: Middle
Line 3: End"""

# ^ khớp đầu mỗi dòng
results = re.findall(r"^Line \d+", text, re.MULTILINE)
print(results)  # ['Line 1', 'Line 2', 'Line 3']

7.3 - re.DOTALL (re.S)

import re

text = "Hello\nWorld"

# . không khớp \n
result = re.search(r"Hello.World", text)
print(result)  # None

# . khớp tất cả kể cả \n
result = re.search(r"Hello.World", text, re.DOTALL)
print(result.group())  # Hello\nWorld

7.4 - re.VERBOSE (re.X)

import re

# Pattern dễ đọc hơn
pattern = r"""
    (\d{3})     # Mã vùng
    [-\s]?      # Dấu gạch ngang hoặc khoảng trắng (tùy chọn)
    (\d{3})     # 3 số tiếp theo
    [-\s]?      # Dấu gạch ngang hoặc khoảng trắng (tùy chọn)
    (\d{4})     # 4 số cuối
"""

text = "Phone: 012-345-6789"
match = re.search(pattern, text, re.VERBOSE)
if match:
    print(match.group(0))  # 012-345-6789

7.5 - Kết hợp nhiều flags

import re

text = "Hello\nWorld"
result = re.search(r"^hello.world$", text, re.IGNORECASE | re.DOTALL | re.MULTILINE)
print(result.group() if result else "No match")

8. Ví dụ thực tế

Ví dụ 1: Validate email

import re

def is_valid_email(email):
    pattern = r"^[\w.-]+@[\w.-]+\.\w+$"
    return re.match(pattern, email) is not None

print(is_valid_email("[email protected]"))    # True
print(is_valid_email("[email protected]"))       # True
print(is_valid_email("invalid.email"))        # False
print(is_valid_email("@example.com"))         # False

Ví dụ 2: Validate số điện thoại

import re

def is_valid_phone(phone):
    # Format: 0XXX-XXX-XXX hoặc 0XXX XXX XXX
    pattern = r"^0\d{3}[-\s]?\d{3}[-\s]?\d{3}$"
    return re.match(pattern, phone) is not None

print(is_valid_phone("0123-456-789"))  # True
print(is_valid_phone("0123 456 789"))  # True
print(is_valid_phone("0123456789"))    # True
print(is_valid_phone("123-456-789"))   # False

Ví dụ 3: Trích xuất hashtags

import re

text = "Love #Python and #Programming! #AI is amazing #MachineLearning"
hashtags = re.findall(r"#\w+", text)
print(hashtags)  # ['#Python', '#Programming', '#AI', '#MachineLearning']

# Chỉ lấy text (không có #)
hashtags = re.findall(r"#(\w+)", text)
print(hashtags)  # ['Python', 'Programming', 'AI', 'MachineLearning']

Ví dụ 4: Remove HTML tags

import re

html = "<p>Hello <b>World</b>!</p>"
clean = re.sub(r"<[^>]+>", "", html)
print(clean)  # Hello World!

Ví dụ 5: Extract prices

import re

text = "Items: $10.99, $25, $100.50, and $5"
prices = re.findall(r"\$(\d+\.?\d*)", text)
print(prices)  # ['10.99', '25', '100.50', '5']

# Convert to float
prices = [float(p) for p in prices]
print(f"Total: ${sum(prices):.2f}")  # Total: $141.49

Ví dụ 6: Parse CSV line

import re

csv_line = 'Alice,25,"New York, NY",Engineer'

# Split nhưng bỏ qua dấu phẩy trong quotes
pattern = r',(?=(?:[^"]*"[^"]*")*[^"]*$)'
fields = re.split(pattern, csv_line)
print(fields)  # ['Alice', '25', '"New York, NY"', 'Engineer']

# Clean quotes
fields = [f.strip('"') for f in fields]
print(fields)  # ['Alice', '25', 'New York, NY', 'Engineer']

Ví dụ 7: Password strength

import re

def check_password_strength(password):
    if len(password) < 8:
        return "Quá ngắn (cần ít nhất 8 ký tự)"

    checks = {
        "chữ thường": r"[a-z]",
        "chữ hoa": r"[A-Z]",
        "số": r"\d",
        "ký tự đặc biệt": r"[!@#$%^&*(),.?\":{}|<>]"
    }

    for name, pattern in checks.items():
        if not re.search(pattern, password):
            return f"Thiếu {name}"

    return "Mật khẩu mạnh"

print(check_password_strength("abc"))            # Quá ngắn
print(check_password_strength("abcdefgh"))       # Thiếu chữ hoa
print(check_password_strength("Abcdefgh"))       # Thiếu số
print(check_password_strength("Abcdefgh1"))      # Thiếu ký tự đặc biệt
print(check_password_strength("Abcdefgh1!"))     # Mật khẩu mạnh

Ví dụ 8: Extract URLs from text

import re

text = """
Visit our website at https://example.com
Download from http://files.example.org/file.zip
Check https://blog.example.com/post/123
"""

urls = re.findall(r"https?://[\w.-]+(?:/[\w./?=&-]*)?", text)
for url in urls:
    print(url)

Ví dụ 9: Censor bad words

import re

def censor_text(text, bad_words):
    for word in bad_words:
        pattern = r"\b" + re.escape(word) + r"\b"
        text = re.sub(pattern, "*" * len(word), text, flags=re.IGNORECASE)
    return text

text = "This is a badword and another BADWORD here"
bad_words = ["badword"]
censored = censor_text(text, bad_words)
print(censored)  # This is a ******* and another ******* here

Ví dụ 10: Format phone number

import re

def format_phone(phone):
    # Loại bỏ tất cả ký tự không phải số
    digits = re.sub(r"\D", "", phone)

    # Format: XXXX-XXX-XXX
    if len(digits) == 10:
        return f"{digits[:4]}-{digits[4:7]}-{digits[7:]}"
    return phone  # Giữ nguyên nếu không hợp lệ

print(format_phone("0123456789"))      # 0123-456-789
print(format_phone("012-345-6789"))    # 0123-456-789
print(format_phone("(012) 345-6789"))  # 0123-456-789

9. Compile Pattern

9.1 - Tại sao compile?

import re

# Không compile - phải parse pattern mỗi lần
for text in texts:
    result = re.search(r"\d+", text)

# Compile - parse 1 lần, dùng nhiều lần (nhanh hơn)
pattern = re.compile(r"\d+")
for text in texts:
    result = pattern.search(text)

9.2 - Ví dụ compile

import re

# Compile pattern
email_pattern = re.compile(r"[\w.-]+@[\w.-]+\.\w+")

texts = [
    "Contact: [email protected]",
    "Email: [email protected]",
    "No email here"
]

for text in texts:
    match = email_pattern.search(text)
    if match:
        print(f"Found: {match.group()}")

9.3 - Compile với flags

import re

pattern = re.compile(r"hello", re.IGNORECASE)
result = pattern.search("HELLO World")
print(result.group())  # HELLO

10. Lookahead và Lookbehind

10.1 - Positive Lookahead (?=…)

import re

# Tìm số theo sau bởi "USD"
text = "Price: 100 USD, 200 EUR, 300 USD"
prices = re.findall(r"\d+(?= USD)", text)
print(prices)  # ['100', '300']

10.2 - Negative Lookahead (?!…)

import re

# Tìm số KHÔNG theo sau bởi "USD"
text = "Price: 100 USD, 200 EUR, 300 USD"
prices = re.findall(r"\d+(?! USD)", text)
print(prices)  # ['200']

10.3 - Positive Lookbehind (?<=…)

import re

# Tìm số đứng sau "$"
text = "Prices: $100, €200, $300"
prices = re.findall(r"(?<=\$)\d+", text)
print(prices)  # ['100', '300']

10.4 - Negative Lookbehind (?<!…)

import re

# Tìm số KHÔNG đứng sau "$"
text = "Prices: $100, 200, $300"
prices = re.findall(r"(?<!\$)\d+", text)
print(prices)  # ['200']

11. Best Practices

1. Dùng raw string

# TỐT - Raw string
pattern = r"\d+\.\d+"

# TRÁNH - Phải escape nhiều lần
pattern = "\\d+\\.\\d+"

2. Compile pattern khi dùng nhiều lần

# TỐT
pattern = re.compile(r"\d+")
for text in texts:
    result = pattern.search(text)

# TRÁNH (chậm hơn)
for text in texts:
    result = re.search(r"\d+", text)

3. Dùng named groups

# TỐT - Dễ đọc
pattern = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})"

# TRÁNH
pattern = r"(\d{4})-(\d{2})-(\d{2})"

4. Không lạm dụng regex

# TỐT - Đơn giản
if "@" in email and "." in email:
    pass

# TRÁNH - Phức tạp không cần thiết
if re.search(r"@.*\.", email):
    pass

5. Test regex kỹ

# Test với nhiều trường hợp
test_cases = [
    "[email protected]",
    "invalid.email",
    "[email protected]",
    "@invalid.com"
]

pattern = r"[\w.-]+@[\w.-]+\.\w+"
for email in test_cases:
    result = re.match(pattern, email)
    print(f"{email}: {bool(result)}")

12. Tools hữu ích

Các website để test regex:

• regex101.com
• regexr.com
• pythex.org

Bài giảng trên YouTube

Cập nhật sau