Kapitel 17: Reguläre Ausdrücke (re) – Text-Mining & Validierung

1. Warum Reguläre Ausdrücke (Regex)?

Im echten Alltag eines Software-Entwicklers oder Data Engineers sind 80% aller Rohdaten unstrukturiert: E-Mails, Server-Logs, Tweets, Rechnungen oder Kundeneingaben. Einfache String-Methoden wie .find() oder .split() reichen oft nicht aus.

🕵️ Die Detektiv-Analogie mit der Suchlupe:

Ein regulärer Ausdruck ist wie ein Phantombild: Statt nach einem festen Text zu suchen („Suche exakt nach 'Peter'“), suchst du nach einer Struktur:

„Suche 2 Großbuchstaben, gefolgt von 2 Ziffern, gefolgt von weiteren Zahlen – egal welche Nummern es genau sind, das ist eine IBAN!“

2. Cheat-Sheet: Die wichtigsten Metazeichen & Quantifizierer

In Python nutzen wir das Modul import re. Regex-Muster werden als Raw-Strings (r"...") definiert:

Zeichen	Kategorie	Bedeutung	Beispiel
`\d`	Metazeichen	Beliebige Ziffer (0-9)	`r"\d{4}"` → `"2026"`
`\w`	Metazeichen	Wortzeichen (Buchstabe, Ziffer, Unterstrich)	`r"#\w+"` → `"#python"`
`\s`	Metazeichen	Whitespace (Leerzeichen, Tab, Umbruch)	`r"\s+"`
`.`	Metazeichen	Beliebiges Zeichen (außer Zeilenumbruch)	`r"a.c"` → `"abc"`, `"a9c"`
`+`	Quantifizierer	Mindestens 1 Mal (1 bis unendlich)	`r"\d+"` → `"42"`
`*`	Quantifizierer	0 oder mehrmals (optional beliebig oft)	`r"ab*c"` → `"ac"`, `"abc"`
`?`	Quantifizierer	Optional (0 oder 1 Mal)	`r"https?"` → `"http"`, `"https"`
`{min,max}`	Quantifizierer	Von min bis max Wiederholungen	`r"\d{2,4}"`
`^` und `$`	Anker	Zeilenanfang (`^`) und Zeilenende (`$`)	`r"^\d+$"` (nur Ziffern)

3. Die 4 Haupt-Methoden in Python

Methode	Zweck	Code-Beispiel
`re.search()`	Sucht den ersten Treffer irgendwo im String.	`m = re.search(r"\d+", "Raum 404")`
`re.fullmatch()`	Prüft, ob der gesamte String dem Muster entspricht (Validierung).	`re.fullmatch(r"^[a-z]+@[a-z]+\.[a-z]{2,}$", mail)`
`re.findall()`	Sammelt alle Vorkommnisse in einer Python-Liste.	`re.findall(r"#\w+", tweet)`
`re.sub()`	Sucht Treffer und ersetzt sie (auch per Lambda/Funktion).	`re.sub(r"\d", "", "Pin: 1234")` → `"Pin: ***"`

💡 Benannte Gruppen mit (?P<name>...):

Mit benannten Gruppen kannst du Daten direkt in ein lesbares Dictionary extrahieren:

import re

pattern = r"^(?P<jahr>\d{4})-(?P<monat>\d{2})-(?P<tag>\d{2})$"
match = re.fullmatch(pattern, "2026-08-29")
if match:
    print(match.groupdict())
    # Output: {'jahr': '2026', 'monat': '08', 'tag': '29'}

4. 📋 Deine Aufgaben-Checkliste

Öffne die Datei aufgabe.py und löse die 5 Teilziele:

TODO 1 (E-Mail Validierung): ist_gueltige_email(email: str) -> bool mit re.fullmatch() und TLD-Längenprüfung (≥ 2).
TODO 2 (Telefonnummern finden): finde_telefonnummern(text: str) -> list[str] für Formate wie 0171-1234567, +49 171 1234567 und (089) 123456.
TODO 3 (Hashtags extrahieren): extrahiere_hashtags(text: str) -> list[str] mit Unterstützung für Umlaute und Zahlen.
TODO 4 (Datenschutz / IBAN maskieren): maskiere_iban(text: str) -> str mit re.sub() (erste 4 Zeichen bleiben sichtbar).
TODO 5 (ISO-Datum & benannte Gruppen): parse_datum_iso(datum_str: str) -> dict[str, str] mit (?P<jahr>...) und groupdict().

💡 Lösungshinweise (Aufklappen bei Bedarf)

🔍 Tipp zu TODO 4: IBAN-Maskierung mit Lambda

Übergebe an re.sub() eine Funktion, die das Match-Objekt zerlegt:

pattern = r"\b([A-Z]{2}\d{2})([A-Z0-9]{8,30})\b"
return re.sub(
    pattern,
    lambda m: m.group(1) + ("*" * len(m.group(2))),
    text
)

🔍 Tipp zu TODO 5: ISO-Datum mit benannten Gruppen

Nutze re.fullmatch und groupdict():

pattern = r"^(?P<jahr>\d{4})-(?P<monat>\d{2})-(?P<tag>\d{2})$"
match = re.fullmatch(pattern, datum_str.strip())
if not match:
    raise ValueError("Ungültiges Format")
return match.groupdict()

5. 🧪 Lösung überprüfen & Testen

1. Automatische Tests ausführen:

Terminal (im Ordner 17_regulaere_ausdruecke_re)

python3 test_aufgabe.py

2. Interaktives Skript starten:

Terminal

python3 aufgabe.py

🧠 Diagnostischer Selbst-Check

Überprüfe dein Verständnis der Kernkonzepte und typischen Denkfallen, bevor du den Code in der Web-IDE schreibst.