Челлендж от Machine Learning Lab Университета Триеста (Италия) предлагает решить 12 задач причём уровень задач сильно варьируется — от супер-лёгкого до сложного.
Конечно, решений может быть больше одного и тест-кейсы в задаче покрывают не все варианты. Тем не менее если набрали 100% — то поздравляю! Тест пройден.
Спойлер: в некоторых задачах (особенно лёгких) подсказка практически и есть решение.
Задача 1 — найти цифры
Имеется текст содержащий цифры, требуется найти все цифры.
Сложность: супер-лёгко.
Нужно использовать символ цифры и квантификатор множественности.
\d+
"[0-9]+" тоже верное решение.
- "\d" или "[0-9]" — любой одиночный символ от 0 до 9.
- "+" — допускается один или более символов.
Задача 2 — найти mac-адреса
Имеется текст содержащий mac-адреса, нужно их найти.
Сложность: легко.
Нужно использовать символ означающий любой символ буквы или цифры, двоеточие для разделения и квантификатор множественности.
\w{2}:\w{2}:\w{2}:\w{2}:\w{2}:\w{2}
"+" вместо "{2}" тоже является верным решением, хоть и не до конца точным.
- "\w" — любой символ алфавита или любая цифра.
- "{2}" — допускается только 2 символа.
Те, кто хорошо знаком с mac-адресом заметили что mac-адрес записывается в шестнадцатеричной системе исчисления. А в предыдущем решении использовался знак \w означающий любой символ алфавита и все цифры. Согласен, наверное это излишне, но можно это учесть, заодно сократив регулярку.
([\da-f]{2}:){5}[\da-f]{2}
- "\d" — любая одиночная цифра, "a-f" — диапазон от a до f. Итого мы имеем допустимый набор символов 0123456789abcdef — то есть шестнадцатеричный код Hex. "{2}" — любые 2 символа из этого набора символов.
- "([\da-f]{2}:)"{5} — допустимо повторение двух символов hex + двоеточие ровно 5 раз.
- и в конце "[\da-f]{2}" — любые 2 имвола из набора hex
Задача 3 — найти ftp-адреса
Имеется текст с ftp-адресами, требуется их найти.
Сложность: легко.
Нужно начать с ftp:// а затем перечислить допустимые символы в адресе, не забыв про квантификатор множественности.
ftp:\/\/[\w\d-_.\/]+
- "\/" — обычное экранирование символа "/".
- внутри квадратных скобок перечисление допустимых символов, а именно — любой символ алфавита или любая цифра, дефис, нижнее подчёркивание, точка или слэш (если в имени есть другие символы — их можно дописать).
Задача 4 — найти шаблон
Имеется какой то форматированный файл в котором нужно найти все строки соответствующие шаблону $любые символы$.
Сложность: легко.
Нужно использовать экранирование зарезервированного символа, символ любого символа, квантификаторы множественности и ленивый.
Банальная задача, но требует уже немного лучшего знания регулярок.
\\$.+?\\$
- "\\$" — экранирование доллара.
- ".+" — любое количество любых символов, "?" — убираем жадность.
Задача 5 — найти ip-адреса
Из текста найти ip-адреса.
Сложность: легко.
Очень похоже на вторую задачу.
\d+\.\d+\.\d+\.\d+
Если вместо "+" вы написали "{1,3}" то вы молодец.
- "\d" — любая одиночная цифра,
- "+" — любое количество символов, "{1,3}" — жёсткое ограничение на количество символов (от 1 до 3).
ip-адрес это не просто цифры, а цифры от 0 до 255.
\b((\d|[1-9]\d|1\d{2}|2[0-4]\d|25[0-5])\.){3}(\d|[1-9]\d|1\d{2}|2[0-4]\d|25[0-5])\b
Что бы определить диапазон от 0 до 255 придётся немного постараться:
- "\d" — число от 0 до 9
- "[1-9]\d" — число от 10 до 99
- "1\d{2}" — число от 100 до 199
- "2[0-4]\d" — число от 200 до 249
- "25[0-5]" — чилсо от 250 до 255
Далее разрешаем повторение шаблона цифры от 0 до 255 ровно 3 раза:
- "(\d|[1-9]\d|1\d{2}|2[0-4]\d|25[0-5]).){3}" — внутри точка, потому что она тоже повторяется 3 раза и в конец тот же диапазон чисел, но без точки.
- в конец и начало добавляем символ границы слова "\b" — нужен для того что бы убрать из вхождения например такой текст "1172.30.42.109" (согласен, маловероятно и наверное излишне).
Задача 6 — анкор
Из html-документа вытащить тег href.
Сложность: средне.
Следует использовать "любой символ кроме" и "или" для каждой скобки.
href=("[^"]+"|'[^']+')
- " — начинаем поиск с двойной кавычки.
- "[^"]+" — далее совершенно любой символ кроме двойной кавычки.
- Заканчиваем двойной кавычкой.
Всё это помещаем в круглые скобки, дописываем знак или — "|" и повторяем тоже самое для одинарных кавычек.
Задача 7 — ссылки
В произвольном тексте найти все ссылки. Задача усложняется тем что не достаточно просто найти ссылку, нужно выкинуть с конца не допустимые символы.
Сложность: сложно.
Нужно начинать с http, использовать "любой символ кроме" и закончить поиск символом который допустим.
http:\/\/([^>\s]+)[\w\/]
В задаче нет ссылок https, но можно это учесть добавив "s?" после http.
- "[^>\s]+" ищем любые символы кроме символа ">" и символа пробела. По сути дела читать можно так "идём до тех пор пока не увидим один из этих символов".
- "[\w\/]" — это ограничитель который разрешает заканчивать ссылку только латинским символом или слэшем.
И по итогу — начинаем с http://, далее совершенно любой символ кроме символов "<" или пробела, но в конце обязателен символ латинского алфавита или слэш.
- дополнительные "s?" в "https?" просто разрешают как "http://" так и "https://".
Задача 8 — заголовки
В HTML заголовком считается любой тег h + цифра.
Сложность: средне.
Начните с h + цифра + любой символ или его отсутствие.
Довольно просто:
<h\d.*>.*<\/h\d.*>
- "h\d" — здесь мы говорим что после символа обязательно должна идти "\d" цифра.
- А далее ".*" может идти любое количество любых символов или может не идти ничего.
После h идёт цифра, причем в спецификации html указано что допустимыми являются цифры от 1 до 6, а сам тег не может быть закрыт ничем кроме треугольных скобок. Следовательно такое решение будет более точным:
<h[1-6][^>]*>.+?<\/h[1-6]>
Правда тут есть ошибка позволяющая открыть тег одной цифрой, а закрыть другой. И поэтому ещё более точным решением будет использовать ссылки: "<h([1-6])[^>]*>.+?<\/h\1>". Это не говоря о том что в тесте не учтен регистр.
- "h[1-6]" — здесь мы говорим что после "h" обязательно должна идти цифра от 1 до 6.
- "[^>]*" — дальше могут идти совершенно любые символы кроме ">", а могут и не идти.
Отдельно про дополнение:
- Обёртывая выражение "(h[1-6])" в скобки мы создаём группу под номером 1.
- Далее используя ссылку на первую группу "\1" мы говорим о том что хотим видеть в конце тот же самый, h с той же самой цифрой, что и в начале.
Задача 9 — телефоны
В произвольном тексте найти в все телефоны в разных форматах.
Сложность: сложно.
Необходимо использовать знак наличия символа или его отсутствия, квантификатор ограничения количества цифр, конструкцию набора символов. Возможна конструкция или.
\(?\d{3}[\). \/-]{1,2}\d{3}[-.]\d{4}
Работать будет, но допускает два символа после первых трех цифр — хорошо если это закрывающая скобка и пробел после неё, но плохо если два дефиса. Поэтому есть чуть более точное решение: "\(?\d{3}(\) ?|[.\/-])\d{3}[-.]\d{4}"
- "\(?" — указываем на возможность наличия символа "(" или его отсутствия, экранируем т. к. это зарезервированный символ.
- "\d{3}" — цифры с ограничением только 3.
- Далее возможны символы "[\). \/-]{1,2}" — слэш, закрывающая круглая скобка, точка, пробел, обратный слэш и дефис. {1,2} — говорит о том что этих символов может быть 1 или 2. Например закрывающая скобка и пробел после неё.
- Далее обязательно "[-.]" — дефис или точка.
- И "\d{4}" — четыре цифры в конце.
Задача 10 — авторы
Есть некий паттерн содержащий элементы, найти всех авторов из поля author.
Сложность: очень сложно.
Необходимо опираться на тот факт что все имена авторов начинаются с большой буквы и написаны по шаблону.
[A-Z][A-Za-z-']+, [A-Z](\{\\"\w\})?[A-za-z-']*( [A-Z][A-Za-z-']*)?
Это решение верно, но имеет минус. Мы обошли "{\"u}" костылем "({\"\w})?" и в принципе это работоспособно если так же засунуть этот костыль в другие части имен авторов.
В любом случае если вы смогли хоть как то решить эту задачу, это очень круто!
- "[A-Z][A-Za-z-']+" — Ищем слово которое обязательно начинается с большой буквы, затем содержит любой символ алфавита, дефис или апостроф.
- Далее всё ровно тоже самое что и чуть выше, но здесь между мы имеем "({\"\w})?" — это просто костыль позволяющий обойти экранирование. Означает что кусок "{\"u}" может как присутствовать, так и отсутствовать.
- И далее опять ровно тоже самое что и в первом случае "( [A-Z][A-Za-z-']*)?", замет исключением что это выражение обвёрнуто в группу и стоит знак "?" означающий не обязательность этого условия.
P.S перечисление [A-Za-z] здесь вынужденная мера, потому что в тесте отсутствуют модификаторы.
Есть более компактное и простое решение позволяющее отказаться от костыля выше:
[A-Z]\S+, [A-Z]\S*( [A-Z][\S]*)?\b
- "[A-Z]\S+, " — сначала, обязательно, заглавная буква "[A-Z]", затем любое количество не пробельных символов "\S+" до точки с запятой ", ".
- Далее почти тоже самое "[A-Z]\S*" — начало обязательно с заглавной буквы, а потом любой не пробельный символ до границы слова "\b".
- "( [A-Z][\S]*)?" — а между ними такая же, но не обязательная группа для отчества.
Задача 11 — содержимое заголовка
Точно так же как в задаче 8, но нужно найти не сами заголовки, а их содержимое.
Сложность: сложно.
Задача идентична 8 задаче. Это не сложно если знать про заглядывание назад и вперед.
(?<=<h[^>]+>).+?(?=<\/h\d>)
Плюс можно учесть все замечания к решению 8 задаче: "(?<=<h([1-6])[^>]*>).+?(?=<\/h\1>)"
- "(?<=<h[^>]+>)" — заглядывание назад внутри которого должен быть тег h.
- "(?=<\/h\d>)" — заглядывание вперед внутри которого должен быть закрывающий тег h.
Задача 12 — список авторов
Задача похожа на 10 задачу, но на мой взгляд проще.
Сложность: сложно.
Все основные принципы из 10 задачи, но нужно учесть начало строки.
Имеет несколько решений, например такое:
(?<=^\d+\. )[A-Z][\w]+, [A-Z][\w\.]+
- "(?<=^\d+. )" — заглядывание назад где обязательно с новой строки должно быть любое количество цифр до точки с пробелом.
- "[A-Z][\w]+, " — далее любое слово с заглавной буквы до точки с запятой и ещё раз тоже самое "[A-Z][\w.]+".
Или по-проще, такое:
(?<=^\d+\. )[^,]+,[^,:]+
- "(?<=^\d+. )" — заглядывание назад где обязательно с новой строки должно быть любое количество цифр до точки с пробелом.
- "[^,]+," — любое количество любых символов до запятой + запятая.
- "[^,:]+" — любое количество любых символов до запятой или двоеточия.
alhimik45
Полчаса провозился с 11 и 12, думая что их нужно решать без lookbehind. Потом таки заглянул в решения. Видимо авторы используют Хром, так как движок Firefox не поддерживает lookbehind в регулярках :(
Sirion
11 вполне решается, кстати
Settler1 Автор
Без заглядывания назад можно решить 11 задачу. Вот такая регулярка "(\s*[\w ]*<[^h].+|\b\w+\b)(?=<\/h\d>)" по-идеи должна отработать в Firefox с результатом 100%.
alhimik45
Спасибо за пример. Хотя такая регулярка и не соответствует духу задания — выбрать всё внутри заголовка. Например, заголовок из двух слов или восклицательный знак в начале заголовка сломает регулярку.
Settler1 Автор
Да, у них в задании учтены не все тест-кейсы.
([\w ]*<[^h].+|[^<>]+)(?=<\/h\d>) — это покроет варианты про которые вы говорите.
А вообще, на практике я бы посоветовал решать эту задачу так: /<h\d[^>]*>(.+?)<\/h\d>/i и вынимать значение из группы.