Wyrażenie regularne

Z Wikipedii

Zasugerowano, aby artykuł Wyrażenie regularne (informatyka teoretyczna) zintegrować z tym artykułem lub sekcją. (dyskusja)

Wyrażenia regularne (ang. regular expressions, w skrócie regex lub regexp) to wzorce, które opisują łańcuchy symboli. Zdaniem niektórych lepszym tłumaczeniem angielskiej nazwy byłoby wyrażenia regułowe ponieważ, chodzi tu nie o regularność, a o reguły opisywane tymi wyrażeniami. Obecna nazwa jest jednak mocno zakorzeniona w literaturze informatycznej. 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). Perlową składnię stosuje się również w maskach przepisań mod_rewrite.

Spis treści 1 Elementy 2 Wyrażenia zachłanne (ang. greedy) 3 Rozszerzenia Perla 4 Bibliografia 5 Zobacz też 6 Linki zewnętrzne 7 Przypisy

[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 i oznaczają same siebie, np. \. oznacza znak kropki (a nie dowolny znak).
• Zestaw znaków między nawiasami kwadratowymi oznacza jeden 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 - (łącznik) 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.
• Pomiędzy nawiasami okrągłymi ( i ) grupuje się symbole, do ich późniejszego wykorzystania.
• 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 zachłanne (ang. greedy)

Kwantyfikatory w wyrażeniach regularnych dopasowują tak wiele znaków jak to możliwe – są to tzw. wyrażenia zachłanne (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]] [[1990]].

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]] [[1990]] 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 (\[\[.*?\]\]). Są to tak zwane "leniwe" (ang. lazy) odmiany kwantyfikatorów.

[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
• Referencje wsteczne, czyli możliwość odwoływania się do odnalezionych podciągów zgrupowanych poprzez nawiasy. Np. w wyrażeniu "(.*)\1" referencją wsteczną jest "\1" i oznacza powtórzenie ciągu znalezionego w ramach pierwszej grupy nawiasów. To rozszerzenie wyprowadza akceptowane łańcuchy poza klasę języków regularnych.

[edytuj] Bibliografia

[edytuj] Zobacz też

• automaty skończone
• gramatyka formalna
• gramatyka kontekstowa
• gramatyka regularna
• język formalny
• znaki globalne

[edytuj] Linki zewnętrzne

• Kurs wyrażeń regularnych
• Skrypt do sprawdzania poprawności wyrażeń regularnych
• Tester wyrażeń regularnych w JavaScripcie
• Tester wyrażeń regularnych we Flexie

[edytuj] Przypisy

1. ↑ Authorized translation of the English edition O`REILLY & Assaociates