[더브레인-3] 1. 정규표현식 예제 실습 안내

 

환영합니다, Rolling Ress의 카루입니다.

​

** 3-1: 정규표현식 - 언어/통계

​

오늘은 제가 따로 설명을 하지 않겠습니다. 본 글을 보고 진행해주시고, 질문 사항이 있을 경우에만 불러주세요. 이번 글은 정규표현식에 관한 내용으로, 사실상 여러분 모두가 이 예제를 해보셨으면 하는 바람이 있습니다. 내용이 다소 어려운 관계로, 길게 하진 않겠습니다. 사실 정규표현식만 다루는 책이 수두룩할 정도로 내용이 많아요.

​

정규표현식(Regular Expression)은 자연어 처리에서 매우 중요한 역할을 합니다. 특히 데이터 전처리에서 빛을 발하죠. 문자열의 특징을 추출하거나 패턴을 찾을 때 유용하게 쓸 수 있습니다. 알아두면 정말 쓸 데가 많아요. 단순히 Ctrl+H 눌러서 바꾸기 하는 것도 정규표현식으로 유용하게 쓸 수 있는데... TMI는 넘깁시다.

# 정규표현식 라이브러리
import re

target_list = ['237489@ggg.hs.kr', 'blog.naver.com', 'karu@',
    'karu@naver.com', '829yh2f@hola']
regex_email = r'^[a-zA-Z0-9+-\_.]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$'

regex = re.compile(regex_email)
for target in target_list:
    print(f'타겟 문자열: {target}')
    if regex.match(target) == None:
        print('올바른 이메일 주소가 아닙니다.\n')
    else:
        print('올바른 이메일 주소입니다.\n')

시작해봅시다. 참고로 \와 \는 같은 기호입니다. 폰트에 따라서 달라보일 수 있어요. 일단 빈칸을 빠짐없이 채워주신 뒤, 실행해주세요.

이제 코드를 한 줄씩 분석해봅시다.

regex = re.compile(regex_email)

정규표현식을 사용하기 위한 문장입니다. regex_email 부분에 정규표현식 문자열을 넣으면 됩니다.

if regex.match(target) == None:

match() 함수는 주어진 문자열(target)이 정규표현식 패턴과 일치하면 특정 개체를 반환하고, 그렇지 않으면 None(값이 없는 상태)을 반환합니다. 이 문장은 '만약(if) 주어진 문자열(target)이 정규표현식(regex)과 일치하지 않으면(== None)'으로 해석할 수 있습니다.

^[a-zA-Z0-9+-\_.]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$

그렇다면 이 정규표현식을 자세히 봅시다. 이게 뭔 외계어인지 싶으실텐데, 차근차근 하나씩 분해해봅시다.

regex101: build, test, and debug regex

 

참고로 직접 테스트를 하고 싶으신 분들은 위 사이트에 들어가주세요. regex101이라는 사이트인데, 정규표현식을 테스트하고 여러 문자열을 검출해볼 수 있습니다. 해설까지 제공해주는데, 영어라는 게 단점. 여튼, ^는 문자열의 시작, $는 문자열의 끝을 의미합니다. 쉽게 말해 ^뒤에 오는 걸로 시작하고 $ 앞에 오는 걸로 끝나야 한다는 뜻입니다.

[a-zA-Z0-9+-\_.]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+

중간에 껴있는 @과 \.을 기준으로 나누어 보겠습니다. 아무런 표시 없이 저렇게 문자가 띡 있는 건 "해당 문자가 반드시 있어야 함"을 나타낸다고 보시면 됩니다. 정규표현식에서 마침표는 특수문자로 인식하기 때문에 그냥 마침표를 나타내려면 앞에 역슬래시(\)를 붙여줘야 합니다.

[a-zA-Z0-9+-\_.]+ @ [a-zA-Z0-9-]+ \. [a-zA-Z0-9-.]+

[] 대괄호로 둘러싸인 것들은 '대괄호 안에 있는 게 하나라도 있어야 한다'를 뜻합니다. +는 그런 문자가 '한 개 이상' 반복되어야 한다는 것을 나타냅니다.

[a-zA-Z0-9+-\_.]

그럼 이 대괄호를 볼까요. 소문자 a부터 z까지, 대문자 A부터 Z까지, 그리고 +부터 _까지의 일부 특수문자를 잡아낸다는 뜻입니다. '.'은 그냥 '.'입니다.

regex_phone = r'\d{2,3}-\d{3,4}-\d{4}'
phone_text = '''환영합니다, Rolling Ress의 카루입니다.
오늘은 제가 배가 고파서 짜장면을 시켜먹어볼까 해요.
음.. 어디보자. 전단지가 어디있더라... 아, 찾았다!
031-839-5080... 여보세요? 중국집인가요?
아 고양국제고등학교 교무실이라고요? 죄송합니다. 잘못 걸었습니다.'''

print('추출된 전화번호:', re.search(regex_phone, phone_text).group())

두 번째 예제입니다. 이번에는 줄글에서 우리가 찾고자 하는 정보를 빠르게 찾아내는 방법을 알아보겠습니다. 입력하고, 실행해주세요.

참고로 저 번호는 고양국제고등학교 3학년부 전화번호입니다. 함부로 막 전화 걸고 그러시면 곤란합니다 ^^,,,, (학교홈페이지에 공개되어 있는 정보라 그냥 사용했습니다)

\d{2,3}-\d{3,4}-\d{4}

\d는 임의의 숫자를 뜻합니다. 즉, \d는 [0-9]와 완전히 같은 표현입니다. 특정 문자 뒤에 중괄호가 붙으면 반복하라는 뜻입니다. \d{2,3}은 2개 이상 3개 이하, \d{4}는 정확히 4개를 뜻합니다. 즉, 00-000-0000 내지는 000-0000-0000 등의 전화번호를 모두 찾아낼 수 있는 거죠.

re.search(regex_phone, phone_text).group()

아까처럼 re.compile() 함수를 사용해도 되지만 이번에는 바로 출력하겠습니다. 위 줄글에서 전화번호 패턴을 찾으면 그 값을 반환하도록 코딩한 겁니다. 그래서 우리는 이것만으로 전화번호를 추출할 수 있는 거죠.

 

script = """
[Borachio] What Conrade!
[Watchman] Peace! stir not.
[Borachio] Conrade, I say!
[Conrade] Here, man; I am at thy elbow.
[Borachio] Mass, and my elbow itched.
"""
result_list = list(set(re.findall(r'\[(\w+)\]', script)))
print(result_list)

마지막 예제입니다. 원래 하나 더 추가하려고 했는데, 여러분 머리가 터질 것 같아서 이걸로 끝내겠습니다. 본 예제는 대본에서 대괄호를 찾아 그 안에 있는 내용을 캡처하는 겁니다. 희곡 같은 데에서 등장인물들 목록 따올 때 편리하겠죠. 마지막에 list(set( 이렇게 한 이유는 중복을 제거하기 위해서입니다.

따로 과제는 드리지 않겠습니다. 여기까지 완료하신 분들은 제게 보여주시고, 다음 예제를 진행해주세요.