Python-এ regular expression: ফাঁদসহ ব্যবহারিক গাইড

Regular expression (regex) লেখার একটি pattern বর্ণনা করে, যাতে আপনি তা খুঁজতে, যাচাই করতে বা নতুন রূপ দিতে পারেন। log, সহজ validation ও পরিষ্কারের কাজে চমৎকার, আর যা এটি ভালো পারে না তাতে ভুল ব্যবহার সহজ। নিচের code ও output প্রকাশের আগে Python 3-এ চালানো।

মূল উপাদান

• \d অঙ্ক, \w অক্ষর, অঙ্ক বা underscore, \s ফাঁকা, . নতুন লাইন ছাড়া যেকোনো অক্ষর।
• + এক বা একাধিক, * শূন্য বা বেশি, ? ঐচ্ছিক, {4} ঠিক চারটি।
• [A-Z] একটি সেটের অক্ষর, ^ শুরু, $ শেষ।
• ( ... ) group, (?P<name> ... ) named group।
• pattern raw string-এ (r"...") লিখুন, যাতে backslash regex engine-এ পৌঁছায়।

পরীক্ষিত ভ্রমণ

import re

log = "2026-10-29 ERROR payment failed order=1042 user=amina@example.com"
m = re.search(r"(?P<date>\d{4}-\d{2}-\d{2}) (?P<level>[A-Z]+) (?P<msg>.*?) order=(?P<order>\d+)", log)
print(m.groupdict())

print(re.findall(r"[\w.+-]+@[\w-]+\.[\w.]+", "mail amina@example.com or ravi@mail.test today"))

html = "<b>one</b> and <b>two</b>"
print("greedy:", re.findall(r"<b>.*</b>", html), "| lazy:", re.findall(r"<b>.*?</b>", html))

print(re.sub(r"(\d{4})-(\d{2})-(\d{2})", r"\3/\2/\1", "due 2026-11-03"))

phone = re.compile(r"^(?:\+?88)?01[3-9]\d{8}$")
print([bool(phone.match(x)) for x in ["01712345678", "+8801712345678", "8801712345678", "0171234567", "02112345678"]])

{'date': '2026-10-29', 'level': 'ERROR', 'msg': 'payment failed', 'order': '1042'}
['amina@example.com', 'ravi@mail.test']
greedy: ['<b>one</b> and <b>two</b>'] | lazy: ['<b>one</b>', '<b>two</b>']
due 03/11/2026
[True, True, True, False, False]

লক্ষ্য করুন:

• Named group log লাইনকে নামে পড়া যায় এমন dictionary বানায়।
• Greedy বনাম lazy। .* যতটা পারে নেয় এবং দুটি bold ট্যাগই গিলেছে, আর .*? প্রথম </b>-এ থামে।
• re.sub group আবার ব্যবহার করে (\3/\2/\1) তারিখের ক্রম বদলায়।
• ফোন যাচাই 017..., +88017... ও 88017... নেয় এবং অঙ্ক কম হলে বাদ দেয়। এটি বাংলাদেশের প্রচলিত মোবাইল ফরম্যাটের উদাহরণ, প্রতিটি বৈধ নম্বরের পূর্ণ নিয়ম নয়।

ফাঁদ: catastrophic backtracking

কিছু pattern প্রায়-মেলা input-এ সূচকীয় হারে বেশি সময় নেয়। এভাবে একটি request-ই server জমিয়ে দিতে পারে (ReDoS)।

import re, time

def run(pattern, n):
    s = "a" * n + "b"
    t = time.perf_counter(); re.match(pattern, s); return time.perf_counter() - t

for n in (20, 22, 24):
    print(f"(a+)+$ on {n} a's then b: {run(r'(a+)+$', n):.3f} s | a+$: {run(r'a+$', n):.6f} s")

(a+)+$ on 20 a's then b: 0.031 s | a+$: 0.000057 s
(a+)+$ on 22 a's then b: 0.121 s | a+$: 0.000006 s
(a+)+$ on 24 a's then b: 0.473 s | a+$: 0.000008 s

nested quantifier (a+)+-এ দুটি অক্ষর বাড়ালে প্রায় চার গুণ সময় লেগেছে, অথচ নিরাপদ a+$ তাৎক্ষণিক। দীর্ঘ string-এ এটি মিনিটে গিয়ে ঠেকে।

নিরাপদ থাকবেন যেভাবে

• (a+)+, (.*)* ও (a|aa)+-এর মতো nested quantifier এড়ান।
• ব্যবহারকারীর লেখায় মেলানোর আগে input-এর দৈর্ঘ্যের সীমা দিন।
• যথেষ্ট হলে সহজ টুল পছন্দ করুন: str.startswith, split, in, বা HTML ও JSON-এর জন্য আসল parser।
• email-এ হালকা যাচাই করুন ও নিশ্চিতকরণ বার্তা পাঠান। regex প্রমাণ করতে পারে না একটি ঠিকানা কাজ করে।
• একটি pattern বহুবার ব্যবহার হলে re.compile একবার করুন।

সাধারণ ভুল

• HTML parse করতে regex ব্যবহার। parser ব্যবহার করুন।
• raw string prefix ভুলে ভুল করে backslash দ্বিগুণ করা।
• re.search চাওয়ার জায়গায় re.match (match শুধু শুরু দেখে)।
• anchor ভুলে যাওয়া, ফলে \d{4} দীর্ঘ সংখ্যার ভেতরেও মেলে।
• কাজ ভাগ করার বদলে একটি বিশাল pattern লেখা।

মূল কথা: named group ব্যবহার করুন, সবচেয়ে ছোট মিল চাইলে lazy quantifier নিন, pattern-এ anchor দিন, আর অবিশ্বস্ত input-এ nested quantifier-সহ pattern কখনও চালাবেন না।

---

Programming roadmaps সিরিজ, পর্ব ৩ (ভালো Python লেখা): 2 নম্বর (মোট 5)। আগের লেখা: Python virtual environment ও packaging: পরিষ্কার সেটআপ.