Bab 7: Regular Expression¶

Pencarian "Ctrl+F" itu untuk teks pasti. Regex untuk pencarian pola. Bedanya seperti mencari "Budi" vs mencari "semua nomor HP".

Bayangkan kamu punya dokumen 500 halaman yang berisi banyak nomor HP, dan kamu ingin ekstrak semuanya. Nomor HP punya pola: 10-13 digit, kadang ada -, kadang diawali +62 atau 0.

Tanpa regex, kamu harus tulis puluhan baris kode dengan if/else yang rumit. Dengan regex, satu baris:

import re
nomor_hp = re.findall(r"(\+62|0)\d{9,12}", dokumen)

Regex (regular expression) adalah bahasa kecil khusus untuk mendeskripsikan pola dalam teks. Bab ini tidak akan jadikan kamu master regex (itu butuh bertahun-tahun), tapi setelah ini kamu akan bisa:

Cari pola sederhana di teks
Validasi format (email, nomor HP, kode pos)
Ekstrak data dari teks tidak terstruktur
Replace dengan pola

7.1. Tanpa Regex — Demonstrasi Masalah¶

Sebelum belajar regex, mari lihat kenapa regex ada. Tulis fungsi yang cari format nomor HP 0812-3456-7890:

def adalah_nomor_hp(teks):
    if len(teks) != 14:
        return False
    if teks[4] != "-" or teks[9] != "-":
        return False
    for i, c in enumerate(teks):
        if i in (4, 9):
            continue
        if not c.isdigit():
            return False
    return True

print(adalah_nomor_hp("0812-3456-7890"))  # True
print(adalah_nomor_hp("0812-345-6789"))   # False

12 baris kode untuk pola sederhana. Sekarang dengan regex:

import re
def adalah_nomor_hp(teks):
    return re.fullmatch(r"\d{4}-\d{4}-\d{4}", teks) is not None

3 baris. Itulah daya tarik regex.

7.2. Pattern Dasar¶

Membuat Pattern¶

Pattern regex selalu dibuat dengan re.compile():

import re

pola = re.compile(r"\d{4}-\d{4}-\d{4}")
hasil = pola.search("Hubungi saya di 0812-3456-7890.")
print(hasil)        # <re.Match object; span=(15, 29), match='0812-3456-7890'>
print(hasil.group()) # 0812-3456-7890

Tiga hal yang perlu kamu paham:

r"..." = raw string. Selalu pakai untuk pattern regex — supaya \d, \w, \s tidak diinterpretasi sebagai escape Python.
re.compile(pola) = build pattern reusable.
pola.search(teks) = cari pertama yang cocok. Return Match object atau None.

Karakter Khusus Paling Penting¶

Pattern	Cocok dengan
`\d`	Satu digit (0-9)
`\D`	Satu non-digit
`\w`	Satu karakter "kata" (huruf, digit, underscore)
`\W`	Satu non-kata
`\s`	Satu whitespace (spasi, tab, newline)
`\S`	Satu non-whitespace
`.`	Satu karakter apa saja (kecuali newline)

flowchart LR
    subgraph Pattern["Pattern: r'\\d{4}-\\d{4}-\\d{4}'"]
        direction LR
        P1["\\d{4}<br/>4 digit"]
        P2["-<br/>literal"]
        P3["\\d{4}<br/>4 digit"]
        P4["-<br/>literal"]
        P5["\\d{4}<br/>4 digit"]
    end

    subgraph Match["Match: '0812-3456-7890'"]
        direction LR
        M1["0812"]
        M2["-"]
        M3["3456"]
        M4["-"]
        M5["7890"]
    end

    P1 -.-> M1
    P2 -.-> M2
    P3 -.-> M3
    P4 -.-> M4
    P5 -.-> M5

    style Pattern fill:#141414,stroke:#f59e0b,color:#a1a1a1
    style Match fill:#141414,stroke:#10b981,color:#a1a1a1
    style P1 fill:#1a1a1a,stroke:#f59e0b,color:#fafafa
    style P2 fill:#1a1a1a,stroke:#6e6e6e,color:#fafafa
    style P3 fill:#1a1a1a,stroke:#f59e0b,color:#fafafa
    style P4 fill:#1a1a1a,stroke:#6e6e6e,color:#fafafa
    style P5 fill:#1a1a1a,stroke:#f59e0b,color:#fafafa
    style M1 fill:#1a1a1a,stroke:#10b981,color:#fafafa
    style M2 fill:#1a1a1a,stroke:#10b981,color:#fafafa
    style M3 fill:#1a1a1a,stroke:#10b981,color:#fafafa
    style M4 fill:#1a1a1a,stroke:#10b981,color:#fafafa
    style M5 fill:#1a1a1a,stroke:#10b981,color:#fafafa

Cara baca diagram

Diagram ini menunjukkan bagaimana pattern dibaca dari kiri ke kanan, bagian per bagian, dan dipasangkan ke bagian teks yang cocok.

Pattern \d{4}-\d{4}-\d{4} dipecah jadi 5 token:

\d{4} (amber) — placeholder: "tepat 4 digit". Dipasangkan ke 0812.
- (abu-abu) — literal: harus ada karakter strip tepat di posisi ini. Dipasangkan ke -.
\d{4} — 4 digit lagi. Dipasangkan ke 3456.
- — strip lagi.
\d{4} — 4 digit terakhir. Dipasangkan ke 7890.

Cara berpikir regex:

Token amber/dinamis = "saya menerima apa saja yang cocok jenis ini"
Token abu-abu/literal = "saya cuma terima karakter yang persis ini"

Karakter literal yang perlu di-escape (kasih backslash di depan): . ^ $ * + ? { } [ ] \ | ( ). Karena karakter-karakter itu punya makna khusus di regex.

# Cari literal "$50" — dollar sign harus di-escape
re.search(r"\$50", "Harga $50")

Pemula sering: lupa raw string r"...". Tanpa raw string, backslash-nya jadi escape Python, bukan regex. "\d" di Python = "huruf d", bukan "digit".

Kuantifier — Berapa Kali¶

Pattern	Arti
`?`	0 atau 1 kali
`*`	0 atau lebih
`+`	1 atau lebih
`{n}`	Tepat `n` kali
`{n,}`	Minimum `n` kali
`{n,m}`	Antara `n` sampai `m` kali

>>> re.search(r"\d{3}", "123")    # tepat 3 digit
<re.Match object; span=(0, 3), match='123'>
>>> re.search(r"\d{3,5}", "12345678")  # 3-5 digit, ambil sebanyak mungkin
<re.Match object; span=(0, 5), match='12345'>
>>> re.search(r"a+b", "aaab")
<re.Match object; span=(0, 4), match='aaab'>

flowchart LR
    Teks["'Hubungi 0812-3456-7890 hari ini'"]
    Pola["r'\\d{4}-\\d{4}-\\d{4}'"]
    Match["Match: '0812-3456-7890'"]

    Teks --> Search["re.search()"]
    Pola --> Search
    Search --> Match

    style Teks fill:#1a1a1a,stroke:#6366f1,color:#fafafa
    style Pola fill:#1a1a1a,stroke:#f59e0b,color:#fafafa
    style Search fill:#1a1a1a,stroke:#ec4899,color:#fafafa
    style Match fill:#1a1a1a,stroke:#10b981,color:#fafafa

Cara baca diagram

Diagram ini menunjukkan 3 input + 1 output dari operasi regex.

Kotak indigo (atas) = teks yang akan dicari.
Kotak amber (kiri) = pattern regex — "deskripsi" pola yang kita cari.
Kotak pink (tengah) = fungsi re.search() yang menggabungkan pattern + teks.
Kotak hijau (kanan) = hasil match.

Cara baca pattern \d{4}-\d{4}-\d{4}:

\d{4} = persis 4 digit
- = literal tanda strip
\d{4} = lagi, 4 digit
- = strip lagi
\d{4} = 4 digit terakhir

Total: 4 digit, strip, 4 digit, strip, 4 digit — pola nomor HP berformat.

Kunci: regex itu seperti "menerangkan apa yang dicari ke komputer". Setelah pattern dibangun, re.search() tinggal jalan menelusuri teks dan kembalikan posisi pertama yang cocok.

7.3. Method Penting¶

`.search()` — Cari Pertama¶

>>> re.search(r"\d+", "harga 5000 rupiah").group()
'5000'

Return Match atau None. Selalu cek is not None sebelum panggil .group().

`.findall()` — Cari Semua¶

>>> re.findall(r"\d+", "ada 5 apel dan 3 jeruk dengan harga 12000")
['5', '3', '12000']

Return list semua match.

`.fullmatch()` — Apakah Seluruh String Cocok¶

>>> re.fullmatch(r"\d{4}-\d{4}-\d{4}", "0812-3456-7890")
<re.Match object; ...>
>>> re.fullmatch(r"\d{4}-\d{4}-\d{4}", "0812-3456-7890 lain")
None

Berbeda dengan .search() — .fullmatch() butuh seluruh string cocok pattern.

`.sub()` — Replace dengan Pattern¶

>>> re.sub(r"\d+", "X", "harga 5000 dan 3000")
'harga X dan X'

7.4. Grouping dengan Tanda Kurung¶

Tanda kurung (...) di regex bikin group — bagian yang bisa diambil terpisah:

>>> hasil = re.search(r"(\d{4})-(\d{4})-(\d{4})", "0812-3456-7890")
>>> hasil.group()       # seluruh match
'0812-3456-7890'
>>> hasil.group(1)      # group pertama
'0812'
>>> hasil.group(2)      # group kedua
'3456'
>>> hasil.groups()      # semua group sebagai tuple
('0812', '3456', '7890')

Named Group — Lebih Mudah Dibaca¶

>>> pola = re.compile(r"(?P<area>\d{4})-(?P<nomor>\d{4})-(?P<lain>\d{4})")
>>> hasil = pola.search("0812-3456-7890")
>>> hasil.group("area")
'0812'
>>> hasil.group("nomor")
'3456'

7.5. Character Class — `[...]`¶

Tanda kurung siku [...] artinya "salah satu dari karakter ini":

>>> re.findall(r"[aiueo]", "Halo dunia")
['a', 'o', 'u', 'i', 'a']
>>> re.findall(r"[A-Z]", "Halo Dunia Python")
['H', 'D', 'P']
>>> re.findall(r"[A-Za-z]", "Halo123")
['H', 'a', 'l', 'o']
>>> re.findall(r"[^aiueo]", "Halo")  # ^ = NOT
['H', 'l']

- di dalam [...] artinya range. [A-Z] = huruf besar, [0-9] = digit (sama dengan \d).

^ di awal [...] artinya kebalikan — semua KECUALI yang disebutkan.

7.6. Anchor — Awal & Akhir String¶

Anchor	Arti
`^`	Awal string (kalau bukan di dalam `[...]`)
`$`	Akhir string
`\b`	Batas kata (word boundary)

>>> re.search(r"^Halo", "Halo dunia")    # cocok karena di awal
<Match>
>>> re.search(r"^Halo", "dunia Halo")    # tidak cocok
None
>>> re.search(r"dunia$", "Halo dunia")   # cocok karena di akhir
<Match>

\b berguna untuk match kata utuh:

>>> re.findall(r"\bcat\b", "cat catastrophe")
['cat']        # 'catastrophe' tidak ikut karena kata berbeda

7.7. Pattern Praktis yang Sering Dipakai¶

Email¶

pola_email = re.compile(r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}")

Bukan validator email sempurna (regex untuk email betul-betul valid sangat panjang), tapi cukup untuk 99% kasus.

Nomor HP Indonesia¶

pola_hp = re.compile(r"(?:\+62|62|0)8[1-9][0-9]{6,10}")

Cocok dengan +628123456789, 628123456789, 08123456789.

URL¶

pola_url = re.compile(r"https?://[^\s]+")

https? = http atau https (s opsional). [^\s]+ = bukan whitespace, satu atau lebih.

Kode Pos Indonesia¶

pola_kode_pos = re.compile(r"\b\d{5}\b")

5 digit dengan batas kata di depan-belakang (supaya tidak match angka 7 digit).

7.8. Project: Ekstraksi Kontak dari Teks¶

import re

def ekstrak_kontak(teks):
    """Ekstrak email dan nomor HP dari teks bebas."""
    pola_email = re.compile(r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}")
    pola_hp = re.compile(r"(?:\+62|62|0)8[1-9][0-9]{6,10}")

    return {
        "email": pola_email.findall(teks),
        "telepon": pola_hp.findall(teks),
    }

teks = """
Profil Tim:
- Andi (andi@kantor.com, +6281234567890)
- Sari (sari.lestari@example.com, 081298765432)
- Budi (budi-x@perusahaan.co.id, 6285511112222)
"""

hasil = ekstrak_kontak(teks)
print("Email ditemukan:", hasil["email"])
print("Telepon:", hasil["telepon"])

Output:

Email ditemukan: ['andi@kantor.com', 'sari.lestari@example.com', 'budi-x@perusahaan.co.id']
Telepon: ['+6281234567890', '081298765432', '6285511112222']

5 baris regex, hasil bersih. Bandingkan kalau nulis manual.

7.9. Tips Belajar Regex¶

Regex itu seperti bahasa pemrograman kecil dalam string. Cara cepat menguasainya:

Pakai regex tester online — regex101.com atau pythex.org. Mereka kasih penjelasan real-time tiap bagian pattern.
Mulai dari yang sederhana, tambahkan bertahap. Jangan langsung tulis pattern panjang.
Komentar pattern panjang dengan flag re.VERBOSE:

pola = re.compile(r"""
    \(?\d{3}\)?     # area code, kurung opsional
    [-.\s]?         # pemisah opsional
    \d{3,4}         # 3-4 digit
    [-.\s]?
    \d{4}           # 4 digit terakhir
""", re.VERBOSE)

Jangan over-engineer. Kalau pakai .startswith() cukup, jangan pakai regex.

7.10. Ringkasan¶

Regex = bahasa untuk mendeskripsikan pola dalam teks
Selalu pakai raw string r"..." untuk pattern
\d, \w, \s = digit, word char, whitespace
Kuantifier: ?, *, +, {n}, {n,m}
Group dengan (...) — ambil bagian dengan .group(n)
Character class [...], range [a-z], negasi [^...]
Anchor: ^ awal, $ akhir, \b batas kata
Method utama: .search(), .findall(), .fullmatch(), .sub()

Konsep paling penting: mulai sederhana, baru tambah kompleksitas. Pattern regex panjang yang dibikin sekaligus hampir selalu salah.

7.11. Latihan¶

7.1 — Validator Email¶

Tulis fungsi valid_email(email) pakai regex.

7.2 — Hitung Kata¶

Tulis fungsi hitung_kata(teks) yang return jumlah kata. Pakai \w+.

7.3 — Sensor Kata Kasar¶

Tulis fungsi sensor(teks, daftar_kasar) yang ganti tiap kata kasar dengan asterisk dengan jumlah sama. Pakai re.sub dengan pattern \b(kata1|kata2)\b.

7.4 — Format Tanggal¶

Tulis fungsi format_tanggal(teks) yang konversi 15-05-2026 jadi 2026-05-15.

7.5 — Ekstrak Hashtag¶

Tulis fungsi yang return semua hashtag dari teks tweet.

ekstrak_hashtag("Hari ini #cerah dan #produktif #python")
# ['#cerah', '#produktif', '#python']

7.6 — Tantangan: URL Validator¶

Validasi URL dengan: protocol (http/https), domain, optional path, optional query string.

Wajib: Raw String¶

re.search(r"\d+", "abc 123")    # PAKAI r"..."

Karakter Khusus¶

Pattern	Cocok
`\d` `\D`	digit, non-digit
`\w` `\W`	word char, non-word
`\s` `\S`	whitespace, non-ws
`.`	apa saja kecuali newline

Kuantifier¶

Q	Arti
`?`	0 atau 1
`*`	0+
`+`	1+
`{n}`	tepat n
`{n,m}`	n sampai m

Method¶

re.search(p, s)        # cari pertama → Match atau None
re.findall(p, s)       # list semua match
re.fullmatch(p, s)     # cek seluruh string cocok
re.sub(p, "ganti", s)  # replace dengan pattern
re.compile(p)          # build pattern reusable

Group¶

m = re.search(r"(\d{4})-(\d{4})", "0812-3456")
m.group()      # '0812-3456'
m.group(1)     # '0812'
m.group(2)     # '3456'
m.groups()     # ('0812', '3456')

Character Class & Anchor¶

[abc]      # a, b, atau c
[a-z]      # a sampai z
[^abc]     # NOT abc
^          # awal string
$          # akhir string
\b         # batas kata

Pattern Praktis¶

# Email
r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"

# HP Indonesia
r"(?:\+62|62|0)8[1-9][0-9]{6,10}"

# URL
r"https?://[^\s]+"

← Bagian 1 Lanjut Bab 8 →

Diadaptasi dari Chapter 7: Pattern Matching with Regular Expressions, "Automate the Boring Stuff with Python" karya Al Sweigart. Versi asli: automatetheboringstuff.com/2e/chapter7/. Dilisensikan CC BY-NC-SA 4.0.