Wyrażenia regularne

Z Wikipedii

Wyrażenia regularne (ang. regular expressions, w skrócie regex) to wzorce, które opisują łańcuchy symboli. Teoria wyrażeń regularnych jest związana z teorią tzw. języków regularnych. Wyrażenia regularne mogą określać zbiór pasujących łańcuchów, mogą również wyszczególniać istotne części łańcucha.

Dwie najpopularniejsze składnie wyrażeń regularnych to składnia uniksowa i składnia perlowa. Składnia perlowa jest znacznie bardziej rozbudowana. Jest ona używana nie tylko w języku Perl, ale także w innych językach programowania: (Ruby), bibliotece PCRE do C i w narzędziu powłoki o nazwie pcregrep (znanego też jako pgrep).

[edytuj] Elementy

Podstawowe elementy wyrażeń regularnych:

Każdy znak, oprócz znaków specjalnych, określa sam siebie, np. "a" określa łańcuch złożony ze znaku "a".
Kolejne symbole oznaczają, że w łańcuchu muszą wystąpić dokładnie te symbole w dokładnie takiej samej kolejności, np. "ab" oznacza że łańcuch musi składać się z litery "a" poprzedzającej literę "b".
Kropka (.) oznacza dowolny znak z wyjątkiem znaku nowego wiersza (zależnie od ustawień i rodzaju wyrażeń).
Znaki specjalne poprzedzone odwrotnym ukośnikiem (\) powodują, że poprzedzanym znakom nie są nadawane żadne dodatkowe znaczenia - oznaczają same siebie, np "\." oznacza znak kropki (nie dowolny znak).
Zestaw znaków między nawiasami kwadratowymi oznacza dowolny znak objęty nawiasami kwadratowymi, np "[abc]" oznacza a, b lub c. Można używać także przedziałów: "[a-c]". Między nawiasami kwadratowymi:
- Daszek (^) na początku zestawu oznacza wszystkie znaki oprócz tych z zestawu.
- Aby uniknąć niejasności znaki "-" (myślnik) i "]" (zamknięcie nawiasu kwadratowego) zapisywane są na skraju zestawu lub w niektórych systemach po znaku odwrotnego ukośnika, daszek zaś wszędzie z wyjątkiem początku łańcucha. Zasady te mogą być różne w zależności od konkretnej implementacji.
- Większość znaków specjalnych w tym miejscu traci swoje znaczenie.
Nawiasy okrągłe ( ( i ) ) grupują symbole.
Gwiazdka ( * ) po symbolu, (nawiasie, pojedynczym znaku) nazywana jest dopełnieniem Kleene'a i oznacza zero lub więcej wystąpień poprzedzającego wyrażenia.
Znak zapytania (?) po symbolu oznacza najwyżej jedno (być może zero) wystąpienie poprzedzającego wyrażenia.
Plus (+) po symbolu oznacza co najmniej jedno wystąpienie poprzedzającego go wyrażenia.
Daszek (^) oznacza początek wiersza, dolar ($) oznacza koniec wiersza.
Pionowa kreska (ang. pipeline) (|) to operator OR np. jeśli napiszemy "a|b|c" oznacza to, że w danym wyrażeniu może wystąpić "a" lub "b" lub "c".

[edytuj] Wyrażenia typu "greedy"

Kwantyfikatory w wyrażeniach regularnych dopasowują tak wiele znaków jak to możliwe – są to tzw. wyrażenia typu "greedy" (z ang. zachłanne, łapczywe). Może to być znaczącym problemem. Przykładowo, aby dopasować pierwszy element, znajdujący się w podwójnych nawiasach kwadratowych w tekście:

Kolejna eksplozja wieloryba nastąpiła na [[Tajwan]]ie, [[26 stycznia]] [[2004]].

użytkownik użyłby najchętniej wyrażenia (\[\[.*\]\]), które wygląda poprawnie (nawias kwadratowy powinien być interpretowany jako znak, dlatego poprzedzony jest odwrotnym ukośnikiem), jednak zwróci ciąg [[Tajwan]]ie, [[26 stycznia]] [[2004]] zamiast oczekiwanego [[Tajwan]].

Są dwie metody na uniknięcie tego problemu. Po pierwsze, zamiast określać co powinno być dopasowane, można określić co nie powinno być dopasowane, czyli w tym przypadku ] jest znakiem niepożądanym, więc wyrażenie miałoby postać (\[\[[^\]]*\]\]). Jednak nie uda się w ten sposób dopasować ciągu znaków w postaci:

A B C [[D E] F G]]

Drugą, bardziej współczesną metodą jest "zmuszenie" kwantyfikatora, aby nie był typu "greedy", poprzez dopisanie za nim znaku zapytania (\[\[.*?\]\]).

[edytuj] Rozszerzenia Perla

Rozszerzenia Perla to między innymi:

Negacja zestawu (wszystko co nie należy do zestawu).
- cyfry są zastępowane znakami \d (dowolna cyfra) i \D (wszystko co nie jest cyfrą)
- znaki "białe" \s i \S (przeciwieństwo)
- rozszerzony zapis przedziałów, wprowadzenie klas znaków np.:
  - [:digit:] oznacza dowolną cyfrę
  - [:alpha:] literę
  - [:alnum:] literę lub cyfrę
- możliwość precyzyjnego określenia liczby wystąpień danego wyrażenia
  - wyrażenie{N} oznacza dokładnie N wystąpień
  - wyrażenie{N,} co najmniej N wystąpień wyrażenia
  - wyrażenie{,M} co najwyżej M wystąpień wyrażenia
  - wyrażenie{N,M} od N do M wystąpień wyrażenia