Das zerrissene Telefonbuch: Quantoren

Als du morgens ankommst, hat die Chefin das Nummernschild-Muster von gestern auf dem Bildschirm. „Statt viermal \d zu schreiben, kann man auch einfach ‚viermal‘ hinschreiben. Das lernst du heute.“ In dem Moment geht die Tür auf, und die Floristin aus dem Blumenladen in der Gasse kommt mit einem Packen nasser Blätter herein. „Das Telefonbuch meiner Stammkunden ist im Regen völlig aufgeweicht. Ich hab es eingescannt und in Text umwandeln lassen, aber das ist ein einziges Chaos.“

So sieht die per OCR gelesene Liste aus. Jede Nummer hat ein anderes Trennzeichen, und mit der letzten Zeile stimmt irgendwas nicht.

kim   010-0000-1234   04542
lee   010 0000 9876   04545
park  02-0000-5678    04538
choi  010.0000.4321   04539
yoon  1234-5678-9012

Die Syntax, mit der du festlegst, wie oft etwas vorkommt, heißt Quantor. Heute bringst du mit Quantoren diese Liste in Ordnung.

3-1. Genau so oft: {m} und {m,n} (7 Min.)

Ein Quantor legt fest, wie oft der eine Baustein direkt davor wiederholt wird. \d{4} ist dasselbe wie \d\d\d\d. Kürzen wir damit das Nummernschild-Muster aus Lektion 2.

re.findall(r"\d{2}[가-힣]\d{4}", "12가3457 123가4567")   # ['12가3457', '23가4567']

Kürzer ist es, aber da ist ein Problem. Die neuen Nummernschilder, die es seit 2019 gibt, haben vorn drei Ziffern. Bei 123가4567 wurde die vordere 1 weggeworfen, und nur 23가4567 kam heraus.

{m,n} heißt mindestens m- und höchstens n-mal. Ändere den vorderen Teil in \d{2,3}, dann werden zwei- und dreistellige Anfänge akzeptiert.

re.findall(r"\d{2,3}[가-힣]\d{4}", "12가3457 123가4567")   # ['12가3457', '123가4567']

• Schreib bei {2,3} keine Leerzeichen vor oder nach das Komma. Mit Leerzeichen ist es kein Quantor mehr (siehe Dots Tipp unten).
• Eine Postleitzahl hat hier fünf Ziffern, also \d{5}.

3-2. Mindestens, höchstens: {m,} und {,n} (6 Min.)

Bei {m,n} darfst du eine Seite leer lassen.

• {m,} : mindestens m-mal, nach oben offen
• {,n} : null- bis n-mal. Weil auch null erlaubt ist, passt es auch auf eine Stelle ganz ohne Zeichen

re.findall(r"a{2,}", "a aa aaaa")   # ['aa', 'aaaa']
re.findall(r"\d{3,}", "1 22 333 4444")   # ['333', '4444']
re.findall(r"\d{,2}", "123")        # ['12', '3', '']

Das '' am Ende des letzten Ergebnisses ist ein Treffer ganz am Ende des Strings, an einer Stelle mit null Ziffern. Solche leeren Treffer schauen wir uns in 3-6 genauer an.

Sieht eine { nicht wie ein Quantor aus, wird sie als normales Zeichen behandelt. a{x} sucht die vier Zeichen a, {, x und }.

re.findall(r"a{x}", "a{x} ax")      # ['a{x}']
re.findall(r"a{2, 3}", "aa a{2, 3}")   # ['a{2, 3}']

3-3. Die drei Häufigsten: * + ? (8 Min.)

Die gebräuchlichsten Anzahlen haben einen Namen aus nur einem Zeichen.

re.findall(r"ab*", "a ab abbb")      # ['a', 'ab', 'abbb']
re.findall(r"ab+", "a ab abbb")      # ['ab', 'abbb']
re.findall(r"ab?", "a ab abbb")      # ['a', 'ab', 'ab']
re.findall(r"colou?r", "color colour colouur")   # ['color', 'colour']

? passt perfekt für „ein Zeichen, das da sein darf, aber nicht muss“. Bei den Handynummern in der Liste ist das Trennzeichen mal ein Bindestrich, mal ein Leerzeichen, mal ein Punkt. Schreibst du für das Trennzeichen [-. ]?, darf eins der drei dastehen oder auch gar keins.

re.findall(r"010[-. ]?\d{4}[-. ]?\d{4}", phonebook)
# ['010-0000-1234', '010 0000 9876', '010.0000.4321']

Wie in Lektion 2 gelernt, ist . in eckigen Klammern ein echter Punkt, und - steht ganz vorn und ist deshalb ein normales Zeichen.

3-4. Ein Quantor gilt nur für den Baustein direkt davor (5 Min.)

Ein Quantor hängt sich nur an den einen Baustein direkt vor ihm. Ein Baustein ist ein einzelnes Zeichen, eine Klasse in eckigen Klammern oder eine Kurzschreibweise wie \d. Deshalb heißt ab+ nicht „mehrmals ab“, sondern „ein a, gefolgt von mehreren b“.

re.findall(r"ab+", "abbb abab")      # ['abbb', 'ab', 'ab']
re.fullmatch(r"ab+", "abab")         # None
re.fullmatch(r"(ab)+", "abab")       # <re.Match object; span=(0, 4), match='abab'>

Willst du mehrere Zeichen zusammen wiederholen, fasst du sie mit runden Klammern zu einem Baustein zusammen. (ab)+ heißt „ein- oder mehrmals ab“. Klammern haben außer dem Zusammenfassen noch eine zweite wichtige Aufgabe. Die lernst du in Lektion 5.

re.fullmatch liefert nur dann einen Treffer, wenn der ganze String zum Muster passt. Den genauen Unterschied behandeln wir in Lektion 4.

3-5. Quantoren sind gierig (4 Min.)

Quantoren sind von Haus aus gierig (greedy). Sie nehmen sich so viel, wie es der erlaubte Bereich nur zulässt.

re.search(r"\d+", "tel 0100000")     # <re.Match object; span=(4, 11), match='0100000'>
re.search(r"\d{2,4}", "123456")      # <re.Match object; span=(0, 4), match='1234'>
re.findall(r"\d{2,4}", "123456")     # ['1234', '56']

\d{2,4} wäre auch mit zwei Ziffern zufrieden, schnappt sich aber zuerst vier. Erst wenn der Rest des Musters scheitert, gibt es eine nach der anderen wieder her. Dieses „Zurückgeben und neu Versuchen“ heißt Backtracking, und in Lektion 8 legt genau das die Detektei lahm. Den genügsamen Quantor +?, der sich möglichst wenig nimmt, lernst du dann auch.

3-6. Alles finden: findall und finditer (10 Min.)

Jetzt sammelst du die Treffer aus der ganzen Liste ein. Nimm an, die Liste von oben steckt im String phonebook.

re.findall gibt die gefundenen Texte als Liste von Strings zurück. So verhält es sich, wenn das Muster keine runden Klammern enthält. Was mit Klammern passiert, siehst du in Lektion 5.

re.findall(r"\d{5}", phonebook)     # ['04542', '04545', '04538', '04539']

re.finditer gibt einen Iterator zurück, der dir ein Match-Objekt nach dem anderen liefert. Den nimmst du, wenn du auch die Position (span) brauchst.

for m in re.finditer(r"\d{5}", phonebook):
    print(m.group(), m.span())
# 04542 (22, 27)
# 04545 (50, 55)
# 04538 (78, 83)
# 04539 (106, 111)

• Ein Iterator sucht erst dann weiter, wenn du den nächsten Treffer haben willst. Das spart Speicher, auch bei sehr langen Strings.
• Ist ein Iterator einmal durchgelaufen, ist er leer. Für einen zweiten Durchgang rufst du re.finditer noch einmal auf.

Vorsicht ist hier bei leeren Treffern geboten. *, ? und {,n} erlauben null Wiederholungen und haben deshalb auch an Stellen ohne ein einziges Zeichen Erfolg. findall packt auch diese leeren Treffer als '' ins Ergebnis.

re.findall(r"\d*", "a12b")    # ['', '12', '', '']
re.findall(r"\d+", "a12b")    # ['12']

Ein leerer Treffer vor dem a, dann 12, ein leerer Treffer vor dem b und einer am Ende des Strings. Wenn du etwas einsammeln willst, nimm + oder {1,}, die null Wiederholungen nicht zulassen.

Den Fall lösen (10 Min.)

Eine Telefonnummer besteht hier aus einer Vorwahl bzw. einem Anfang mit 2 bis 3 Ziffern, einem Mittelteil mit 3 bis 4 Ziffern und einem Schluss mit 4 Ziffern. Trennzeichen dürfen da sein oder fehlen. Eine Postleitzahl hat fünf Ziffern.

phones = re.findall(r"\d{2,3}[-. ]?\d{3,4}[-. ]?\d{4}", phonebook)
print(phones)
# ['010-0000-1234', '010 0000 9876', '02-0000-5678', '010.0000.4321', '234-5678-9012']

postcodes = re.findall(r"\d{5}", phonebook)
print(postcodes)   # ['04542', '04545', '04538', '04539']

Vier Telefonnummern und vier Postleitzahlen sind beisammen. Aber was ist die fünfte Telefonnummer, 234-5678-9012? Die Floristin wirft einen Blick auf den Bildschirm und schüttelt den Kopf. „Das ist keine Telefonnummer. Das ist eine Notiz mit meiner Kartennummer.“

re.search(r"\d{2,3}[-. ]?\d{3,4}[-. ]?\d{4}", "yoon  1234-5678-9012")
# <re.Match object; span=(7, 20), match='234-5678-9012'>

Das Muster hat die erste Ziffer 1 von 1234 übersprungen und den Treffer an Position 7 begonnen, mitten in einer Zahl. Dasselbe Missgeschick wie bei 23가4567 in 3-1.

Die Chefin starrt lange auf die letzte Zeile. „Mitten in der Zahl angefangen. Dieses Muster weiß nicht, wo eine Nummer anfängt und wo sie aufhört.“ In der nächsten Lektion lernst du, diese Grenzen ins Muster zu schreiben.

Übungen

1. Überleg dir, was \d{2,3}[-. ]?\d{3,4}[-. ]?\d{4} in 01000001234 (einer Nummer ohne Trennzeichen) findet, und probier es aus.
2. Was ergibt re.findall(r"\d?", "a1")? Wie viele leere Strings sind dabei?
3. Finde mit re.finditer die Telefonnummern in der Liste und gib Zeile für Zeile die Nummer und ihre Startposition aus.