Las reglas de la caja fuerte: lookaround

La directora se agacha frente a la vieja caja fuerte del rincón. «Lo de la caja fuerte es solo para asustarnos. Aun así, hoy cambiamos la contraseña. Y esta vez, cumpliendo las reglas».

La nueva contraseña tiene que cumplir tres reglas, en cualquier orden. La directora las ha anotado en coreano: 8 caracteres o más; al menos un dígito, una minúscula y un carácter especial; y comprobarlo todo con una sola regex.

규칙 1. 8자 이상
규칙 2. 숫자, 소문자, 특수문자가 각각 하나 이상
규칙 3. 이 모든 걸 정규식 하나로 검사한다

후보:
vault2026!
vault2026
VAULT2026!
v!2
longpassword!
safe#2026box

Te viene a la cabeza la frase de la tarjeta: «Si son capaces de comprobarlas todas desde el mismo sitio». La sintaxis de hoy es justo eso.

9-1. Una sintaxis que comprueba posiciones, no caracteres (6 min)

Recuerda ^, $ y \b de la lección 4. No se comían ningún carácter: solo comprobaban una posición, del tipo «¿esto es el principio?» o «¿esto es un límite de palabra?». A este tipo de coincidencia se le llama coincidencia de ancho cero (zero-width).

re.findall(r"\b", "hi yo")      # ['', '', '', '']
re.sub(r"\b", "|", "hi yo")     # '|hi| |yo|'

Lo que encontró \b son cuatro cadenas vacías, es decir, cuatro posiciones. El lookaround de hoy es la sintaxis que convierte esa «comprobación de posición» en la condición que tú quieras.

9-2. Comprobar lo que viene después: (?=...) (8 min)

X(?=Y) busca «una X seguida de Y». La Y solo se comprueba; no forma parte de la coincidencia. Esto se llama lookahead (búsqueda hacia delante).

re.findall(r"\d+(?=원)", "3000원짜리 5개, 합계 15000원")   # ['3000', '15000']

La frase es coreana: «artículo de 3000 원, 5 unidades, total 15000 원» (원 es el won, la moneda de Corea, y 개 significa «unidades»). El 5 de 5개 quedó fuera porque no le sigue 원, y los números encontrados no incluyen el 원. Es perfecto cuando buscas «números que terminan en 원» pero solo quieres sacar el número.

9-3. Lo que no debe venir después: (?!...) (6 min)

X(?!Y) es lo contrario: «una X a la que no sigue Y». Se llama lookahead negativo.

re.findall(r"\b(?!tmp)\w+", "tmp_log report tmpfile final")   # ['report', 'final']
re.findall(r"\d{3}(?!\d)", "12345 678")                       # ['345', '678']

• La primera línea busca «palabras que no empiezan por tmp»: justo después del límite de palabra, comprueba que no venga tmp.
• La segunda busca «tres cifras a las que no sigue otra cifra», es decir, las últimas tres cifras de cada bloque de números.

9-4. Varias reglas: lookaheads uno tras otro (8 min)

Las condiciones del tipo «tiene que tener esto, y esto, y esto otro», como las reglas de la contraseña, se escriben poniendo lookaheads en fila.

pw = r"(?=.*\d)(?=.*[a-z])(?=.*[^\w\s]).{8,}"

Los tres lookaheads se comprueban desde el mismo sitio (el principio). Como no se comen ningún carácter, al terminar uno la posición sigue igual y la siguiente condición vuelve a empezar desde el principio. Por eso, ponerlos seguidos equivale a un «Y» (AND).

cands = ["vault2026!", "vault2026", "VAULT2026!", "v!2", "longpassword!", "safe#2026box"]
[c for c in cands if re.fullmatch(pw, c)]   # ['vault2026!', 'safe#2026box']

9-5. Lo que había antes: (?<=...) (?<!...) (8 min)

Si das la vuelta a la dirección, tienes el lookbehind (búsqueda hacia atrás). (?<=Y)X es «una X precedida de Y» y (?<!Y)X es «una X no precedida de Y».

re.findall(r"(?<=\$)\d+", "$30 and 40 and $5")      # ['30', '5']
re.findall(r"(?<!\$)\b\d+", "$30 and 40 and $5")    # ['40']

El lookbehind tiene una limitación: en el re de Python, la longitud que se mira hacia atrás tiene que ser fija.

re.compile(r"(?<=a+)b")      # PatternError: look-behind requires fixed-width pattern
re.compile(r"(?<=ab|cd)e")   # correcto: las dos opciones tienen 2 caracteres
re.compile(r"(?<=a|bc)d")    # PatternError: look-behind requires fixed-width pattern

Puede haber varias opciones siempre que todas tengan la misma longitud. Si no, divide el lookbehind en dos o agrúpalos por separado, como en (?:(?<=a)|(?<=bc))d.

9-6. El libro de la caja fuerte: separadores de miles (4 min)

En el libro de cuentas de la caja fuerte los números van pegados, como 1234567, y cuesta leerlos. Basta con encontrar las posiciones donde va una coma y meterla ahí. Como se trata de encontrar posiciones, el lookaround es la herramienta ideal.

re.sub(r"(?<=\d)(?=(?:\d{3})+(?!\d))", ",", "1234567 and 89 and 1000")
# '1,234,567 and 89 and 1,000'

Se lee así: «una posición con un dígito delante ((?<=\d)) y, detrás, uno o más grupos de tres dígitos ((?:\d{3})+) tras los cuales se acaban los dígitos ((?!\d))». Esa posición no es un carácter, así que sub no borra nada: solo intercala la coma.

Si pones un grupo dentro de un lookahead, también puedes encontrar coincidencias solapadas. El truco es avanzar la posición de una en una y sacar con el grupo los dos caracteres que hay en ese punto.

re.findall(r"(?=(\w\w))", "abc")   # ['ab', 'bc']

Caso resuelto (10 min)

Terminas el validador y filtras las candidatas. En la salida, 통과 significa «aprobada» y 탈락, «descartada».

pw = re.compile(r"(?=.*\d)(?=.*[a-z])(?=.*[^\w\s]).{8,}")
for c in cands:
    print(f"{c:<14} {'통과' if pw.fullmatch(c) else '탈락'}")
# vault2026!     통과
# vault2026      탈락
# VAULT2026!     탈락
# v!2            탈락
# longpassword!  탈락
# safe#2026box   통과

La directora no elige ninguna de las dos que han pasado. «En cuanto está en una lista de candidatas, ya no es una contraseña». Luego elige ella misma, sin que nadie la vea, una contraseña nueva que cumple las reglas, y guarda solo el validador en la caja de herramientas común de la agencia.

Ejercicios

1. Añade a las reglas «al menos una mayúscula». ¿Qué candidatas sobreviven?
2. En "price: 1200won, tax: 120won", saca con un lookahead solo los números que van delante de won.
3. Predice el resultado de re.findall(r"(?<!\d)\d{2}(?!\d)", "1 22 333 44"). ¿Por qué no sale ningún trozo de 333?