Nhóm bắt và thay thế: dùng regex để biến đổi chuỗi, không chỉ để tìm

Tới giờ cả loạt bài chủ yếu bàn về tìm — regex khớp hay không, khớp ở đâu. Nhưng sức mạnh thực tế lớn nhất của regex trong công việc hằng ngày là biến đổi: trích một phần dữ liệu ra rồi dựng lại thành định dạng khác. Đổi 2026-09-22 thành 22/09/2026, tách họ và tên rồi đảo thứ tự, lấy tên miền từ URL — tất cả dựa trên hai cơ chế: nhóm bắt (capture group) để cắt chuỗi thành từng phần, và thay thế (substitution) để dán các phần đó lại theo ý mình. Bài này (phần 10 loạt Regex) đo thật cả hai bằng python re và sed, và làm rõ một điểm hay nhầm: \1 trong mẫu và \1 trong chuỗi thay thế là hai thứ khác nhau.

Nhóm bắt: cắt chuỗi thành từng phần

Đặt một phần mẫu trong ngoặc (...) là bắt (capture) đoạn khớp được vào một nhóm đánh số 1, 2, 3... theo thứ tự dấu ( mở. Sau khi khớp, bạn lấy từng nhóm ra bằng group(n) hoặc cả tuple bằng groups(). Có ba biến thể quan trọng:

• Nhóm bắt (...): đánh số tự động, đọc bằng group(1).
• Nhóm đặt tên (?P<ten>...) (Python; các engine khác dùng (?<ten>...)): đọc bằng group('ten') hoặc groupdict() — rõ nghĩa hơn số, và không vỡ khi bạn chèn nhóm mới vào giữa.
• Nhóm không bắt (?:...): chỉ gom để áp quantifier hoặc |, không tạo nhóm và không được đánh số.

Hình 1: Nhóm bắt (...) cắt chuỗi thành phần đọc bằng group(n)/groups(); nhóm đặt tên (?P<ten>...) đọc bằng tên; thay thế re.sub/sed dán lại nội dung nhóm bằng \1 (nội suy, khác backreference trong mẫu); nhóm không bắt (?:...) gom mà không đánh số.

Đo thật: trích, đổi định dạng, và đếm nhóm

Hình 2: Chạy thật — (a) nhóm bắt cắt 2026-09-22 thành ('2026','09','22'); (b) nhóm đặt tên cho groupdict()={'nam':'2026',...}, (?P<w>..) (?P=w) bắt từ lặp ['the','on']; (c) re.sub đổi ngày sang '22/09/2026, 05/01/2025' (bằng \3/\2/\1 hoặc tên), sed đổi Nguyen Van A→Van A, Nguyen; (d) (?:https?) cho 2 nhóm, (https?) cho 3 nhóm.

• (a) Nhóm bắt cắt chuỗi: (\d{4})-(\d{2})-(\d{2}) trên 2026-09-22 cho group(0)='2026-09-22' (cả match) và groups()=('2026','09','22') (ba phần riêng). Đây là cách trích cấu trúc ra khỏi một chuỗi phẳng.
• (b) Nhóm đặt tên rõ nghĩa hơn: (?P<nam>\d{4})-(?P<thang>\d{2})-(?P<ngay>\d{2}) cho groupdict()={'nam':'2026','thang':'09','ngay':'22'} — đọc bằng tên thay vì đếm số. Và (?P<w>\w+) (?P=w) bắt từ lặp ['the','on'] bằng cách tham chiếu tên (?P=w) (đây là backreference trong mẫu, kiểu phần 5, nhưng dùng tên cho dễ đọc).
• (c) Thay thế biến đổi chuỗi: re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\3/\2/\1', s) đổi mọi ngày yyyy-mm-dd thành dd/mm/yyyy → 'Han: 22/09/2026, 05/01/2025'. Cùng kết quả khi dùng nhóm tên \g<d>/\g<m>/\g<y>. Với sed, echo "Nguyen Van A" | sed -E 's/^(\w+) (.+)$/\2, \1/' cho Van A, Nguyen — đảo thứ tự bằng \2 \1.
• (d) (?:...) giữ số nhóm sạch: (?:https?)://(\w+)\.(\w+) cho groups()=('coffeecode','vn') — chỉ 2 nhóm, vì (?:https?) không được đếm. Nhưng nếu viết (https?)://(\w+)\.(\w+) thì thành 3 nhóm ('https','coffeecode','vn'). Điều này quan trọng: nếu bạn đang dùng \1 để chỉ tên miền mà lỡ đổi (?:) thành (), mọi số nhóm bị đẩy lùi một bậc và \1 trỏ sai.

Điểm hay nhầm: \1 trong mẫu vs trong thay thế

Đây là chỗ dễ lẫn nhất, nối tiếp phần 5. \1 trong mẫu là backreference: "khớp lại đúng chuỗi mà nhóm 1 đã bắt" — nó phá vỡ tính regular và cần backtracking ((\w+) \1 tìm từ lặp). \1 trong chuỗi thay thế hoàn toàn khác: nó chỉ là nội suy — "dán lại nội dung nhóm 1 vào đây" — không liên quan gì tới backtracking, chỉ là ghép chuỗi. Cùng ký hiệu, hai vai trò tách biệt: một cái là điều kiện khớp, một cái là công thức dựng chuỗi kết quả.

Đánh đổi cần cân nhắc

Nhóm đặt tên đáng dùng cho mẫu phức tạp — vì số nhóm dễ vỡ. Khi mẫu có nhiều nhóm và bạn còn phải chỉnh sửa nó, dùng \1, \2 là mời lỗi: chèn một nhóm mới vào giữa là mọi số sau đó lệch, và không có lỗi nào báo — chỉ ra kết quả sai. Nhóm đặt tên (?P<...>) miễn nhiễm chuyện này: thêm nhóm không đổi tên nhóm cũ. Với mẫu quá 2-3 nhóm hoặc mẫu sẽ còn sửa, ưu tiên đặt tên.

Nhóm bắt không cần thiết làm chậm và tốn bộ nhớ — dùng (?:...). Mỗi nhóm bắt buộc engine ghi nhớ vị trí bắt đầu/kết thúc của đoạn khớp để trả về sau. Nếu bạn dùng () chỉ để gom (áp | hay quantifier) mà không cần trích, hãy dùng (?:...) — nó bỏ phần ghi nhớ đó, nhanh hơn chút và giữ số nhóm sạch. Thói quen "mọi ngoặc đều là (?:) trừ khi thực sự cần bắt" giúp mẫu vừa nhanh vừa dễ bảo trì.

Cú pháp nhóm tên và thay thế khác nhau giữa các công cụ. Python dùng (?P<ten>) và \g<ten>; JavaScript/.NET/PCRE dùng (?<ten>) và $<ten>/${ten}; sed cơ bản cần escape ngoặc \(...\) (hoặc -E cho ngoặc thường) và dùng \1 khi thay thế. Đừng bê nguyên mẫu từ ngôn ngữ này sang ngôn ngữ khác — đặc biệt phần thay thế, nơi \1 (sed/Python) và $1 (JS/PCRE) khác nhau.

Ba ý mang về

1. Nhóm bắt cắt chuỗi, thay thế dán lại: đo thật (\d{4})-(\d{2})-(\d{2}) trích ('2026','09','22'), rồi re.sub với \3/\2/\1 đổi yyyy-mm-dd thành dd/mm/yyyy (22/09/2026), sed đảo Nguyen Van A→Van A, Nguyen — regex biến đổi chứ không chỉ tìm.
2. Nhóm đặt tên bền hơn số, (?:...) giữ số nhóm sạch: đo thật groupdict() đọc bằng tên; (?:https?) cho 2 nhóm còn (https?) cho 3 — thêm một cặp () thừa đẩy lệch mọi số nhóm và làm \1 trỏ sai.
3. \1 trong mẫu vs trong thay thế là hai thứ: \1 trong mẫu là backreference (khớp lại, cần backtracking — phần 5); \1 trong chuỗi thay thế chỉ là nội suy (dán lại nội dung nhóm), không liên quan backtracking.

Nguồn

• Python docs — re (groups, sub, named groups): https://docs.python.org/3/library/re.html
• man7.org — sed(1) (back-references in replacement): https://man7.org/linux/man-pages/man1/sed.1.html
• MDN — Groups and backreferences: https://developer.mozilla.org/en-US/docs/Web/JavaScript/Guide/Regular_expressions/Groups_and_backreferences

Phần sau ta gom mọi thứ đã học thành nghệ thuật tối ưu regex: biên dịch một lần, neo và lớp phủ định để cắt backtracking, atomic group/possessive quantifier — và đo thật mỗi mẹo giúp nhanh lên bao nhiêu.