Регулярные выражения

Основы программ

Регулярные выражения

Ранее для поиска в строке подстроки мы использовали строковые функции, ограничиваясь при этом случаями точного соответствия строк и подстрок. Для работы со строками можно использовать также регулярные выражения, представляющие собой, по сути, мини-язык описаний для поиска в строках информации по заданному шаблону.

С помощью регулярных выражений можно найти в строке подстроку, удовлетворяющую заданному шаблону и извлечь ее, проверить существует ли заданная строка и т.д.

Алгоритм поиска с использованием регулярных выражений был впервые разработан одним из создателей UNIX Кеном Томпсоном. Интересно, что изначально регулярные выражения появились не в теории вычислительных систем, а в нейрофизиологии. Основу теории регулярных выражений заложили нейрофизиологи У. Мак-Каллох и У. Питтс, работавшие над способами математического описания нервных процессов. Позднее математик С. Клини, основываясь на этих исследованиях, опубликовал работу "Представление событий в нейронных сетях", в которой и было введено понятие регулярных выражений. Кен Томпсон, основываясь на этих работах, адаптировал теорию регулярных выражений для алгоритмов поиска информации. Именно начиная с его работ, регулярные выражения стали использоваться в текстовых редакторах и вошли во многие языки программирования.

Базовый синтаксис и создание регулярных выражений


Простейшее регулярное выражение можно записать так:

"abc"

Это выражение соответствует любой строке, которая содержит подстроку "abc".

Существует такое понятие, как выражение в квадратных скобках. Квадратные скобки ограничивают поиск теми символами, которые в них заключены:

"[abc]"

Этому регулярному выражению соответствует любая строка, содержащая abc либо вместе, либо каждый из них в отдельности. Выражение в квадратных скобках иногда еще называют бра-кет выражением.

Допустим, нам нужно создать регулярное выражение, соответствующее всем буквам русского алфавита. В этом случае мы можем, конечно, перечислить все эти буквы в регулярном выражении. Это допустимо, но утомительно и неэлегантно. Более коротко такое регулярное выражение можно записать следующим образом:

"[а-Я]"

Это выражение соответствует всем буквам русского алфавита, поскольку любые два символа, разделяемые дефисом, задают соответствие диапазону символов, находящихся между ними. Заметьте, что регулярное выражение "[а-Я]" описывает символы как нижнего, так и верхнего регистров, поэтому более подробно это выражение можно записать так:

"[а-яА-Я]"

Точно таким же образом задаются регулярные выражения, соответствующие числам:

"[0-9]"
или
"[0123456789]"

Оба этих выражения эквивалентны и соответствует любой цифре.


2 Групповой символ



При создании регулярных выражений часто удобно пользоваться групповым символом точки ".", который объединяет два одиночных символа, за исключением символа \n. К примеру:

.ок

Это выражение, в частности соответствует строкам "кок", "док", "ток".

Выражение

"x.[0-9]"

соответствует строке, содержащей символ x, за которым идет любой другой символ и цифры от 0 до 9. Этому критерию, к примеру, удовлетворяют строки "xy1", "xz2" и т. д.

3 Ветви



В регулярном выражении может быть несколько ветвей, которые разделяются символом |, действующим как оператор OR (ИЛИ). Т. е., если в выражении используются ветви, то для соответствия регулярного выражения какой-либо строке, достаточно, чтобы только одна из ветвей соответствовала этой строке:

"abc|абв"

Этому регулярному выражению соответствует любая строка, содержащая подстроки "abc" или "абв". Ветвление удобно применять при проверке расширений и имен файлов, зон доменных имен и т. д. К примеру, следующее регулярное выражение проверяет, содержатся ли в строке подстроки "ru", "com" или "net":

"ru|com|net"

4 Исключающее выражение



Для исключения последовательности символов из поиска перед этой ней ставится символ "^":

"[^а-я]"

Это регулярное выражение отвечает любому символу, не содержащемуся в диапазоне а-я. Обратите внимание, что символ ^ находится внутри квадратных скобок, так как только в этом случае он имеет значение "не". При использовании символа ^ вне квадратных скобок, он имеет совсем иное значение, о чем пойдет речь немного позже.


5 Квалификаторы



Регулярное выражение можно уточнить при помощи квалификаторов - так называются символы +, ?, *. Квалификаторы говорят о том, сколько раз последовательность символов может встретиться в строке и указываются непосредственно после той части выражения, к которой они применяются:

"a+" - хотя бы один а (строки "абв" и "абва" соответствуют этому выражению, а строка "укр" - нет);
"a?" - ноль или один а (строки "абв" и "укр" соответствуют этому выражению, а строка "абва" - нет);
"a*" - ноль или более а (строки "абв" и "абва" и "укр" соответствуют этому выражению).

6 Границы



Границы - это числа в фигурных скобках, указывающие количество вхождений в строку фрагмента выражения, непосредственно предшествующего границе:

"xy{2}" соответствует строке, в которой за x следует два y;
"xy{2,}" соответствует строке, в которой за x следует не менее двух y (может быть и больше);
"xy{2,6}" соответствует строке, в которой за x следует от двух до шести y;
Для указания количества вхождений не одного символа, а их последовательности, используются круглые скобки:

"x(yz){2,6}" соответствует строке, в которой за x следует от двух до шести последовательностей yz;
"x(yz)*" соответствует строке, в которой за x следует ноль и более последовательностей yz;

7 Подвыражения



Иногда бывает удобно создавать регулярное выражение таким образом, чтобы можно было, к примеру, сказать, что, по крайней мере, за одной из строк "морская", следует точно строка "волна". Для этого регулярное выражение разбивают на подвыражения с помощью круглых скобок:

(морская)*волна

Это выражение соответствует строкам "волна", "морская волна", "морская морская волна" и т.д.


8 Соответствие началу и концу строки



В регулярном выражении можно указать, должно ли конкретное подвыражение встречаться в начале, в конце строки или и в начале и в конце строки.

Символ ^ соответствует началу строки:

"^xy"

Такое выражение соответствует любой строке, начинающейся с xy. Обратите внимание, что в этом случае символ ^ ставится за пределами выражения в скобках, к примеру:

"^[a-z]"

Знак доллара $ соответствует концу строки:

"xy$"

Это регулярное выражение соответствует любой строке, заканчивающейся на xy.

9 Сопоставление со специальными символами



В тех случаях, когда нужно сопоставить выражение строке, в которой встречаются спецсимволы, о которых говорилось выше в этой главе, такие как $, ^, { и т. д., перед ними ставится символ обратной косой черты (\). Например, для того, чтобы найти в строке символ $, в регулярном выражении нужно написать "\$".

В тех случаях, когда перед символом стоит обратная косая черта, говорят, что символ записан в виде escape-последовательности.

То же самое относится и к самому символу обратной косой черты. Если нужно провести сопоставление с символом обратной косой черты, то в этом случае ставится две обратных косых черты, т. е. \\.


10 Классами символов называются сокращенные обозначения для предопределенных символов.

Класс [[:alnum:]] - буквенно-цифровые символы
Класс [[:digit:]] - десятичные цифровые символы
Класс [[:xdigit:]] - шестнадцатеричные цифровые символы
Класс [[:alpha:]] - буквенные символы
Класс [[:upper:]] - прописные буквенные символы
Класс [[:lower:]] - строчные буквенные символы
Класс [[:punct:]] - знаки пунктуации
Класс [[:space:]] - символы пробела
Класс [[:blanc:]] - символы табуляции и пробела
Класс [[:print:]] - печатные символы
Класс [[:cntrl:]] - управляющие символы
Класс [[:graph:]] - печатные символы, за исключением пробельные
Вы можете использовать классы символов в регулярных выражениях точно также как и остальные символы. К примеру:

Эквивалентом выражения "[a-zA-Z_0-9]" является выражение "[[:alnum:]]";
Выражению "[0-9]" эквивалентно выражение "[[:digit:]]"
Выражению "[a-Z]" эквивалентно регулярное выражение "[[:alpha:]]".

11 Функции для работы с регулярными выражениями



PHP поддерживает два вида записи регулярных выражений: POSIX и Perl. POSIX расшифровывается как Portable Operating System Interface (интерфейс переносной операционной системы) и является стандартом для интерфейсов приложений. В этом разделе мы будем работать с регулярными выражениями в стиле POSIX, а позже рассмотрим Perl-совместимые регулярные выражения.

В общем случае, функции для работы с регулярными выражениями выполняются более медленно, чем строковые функции, предоставляющие аналогичные возможности. Поэтому, если можно без ущерба для эффективности приложения использовать строковые функции, их следует использовать.

ereg()
bool ereg(string pattern, string string [, array regs])

Данная функция ищет в строке string соответствие регулярному выражению, заданному в шаблоне pattern. Если соответствия подвыражений с шаблоном будут найдены, то они сохраняются в массиве соответствий regs. При этом $regs[0] содержит копию строки string, $regs[1] содержит подстроку, начинающуюся с первой левой скобки, $regs[2] хранит подстроку, начинающуюся со второй левой скобки и т.д.

Ниже приведен код, преобразующий дату из формата YYYY-MM-DD в формат DD.MM.YYYY.

<?
$date = "2003-03-21";
if (ereg ("([0-9]{4})-([0-9]{1,2})-([0-9]{1,2})", $date, $regs))
{
echo "$regs[3].$regs[2].$regs[1]";
}
else
{
echo "Неверный формат даты: $date";
}
?>

ereg_replace()
string ereg_replace(string pattern, string replacement, string string)

Эта функция заменяет найденный в строке string шаблон pattern на строку replacement и, если соответствие было найдено, возвращает модифицированную строку.

Одной из частых ошибок при замене числовых значений является указание числа как типа, отличного от строкового, что приводит к неверному результату. Синтаксис функции таков, что число обязательно должно быть записано как строка.

<?
$number = "1952";
$str = "Он родился в пятьдесят втором.";
echo("до замены:$str");
$str = ereg_replace("пятьдесят втором", $number, $str);
echo("<br> после замены: $str");
?>

Результат:

до замены: Он родился в пятьдесят втором.
после замены: Он родился в 1952.

eregi()
bool eregi (string pattern, string string[, array regs])

Эта функция идентична функции ereg, за исключением того, что она игнорирует регистр.

eregi_replace()
string eregi_replace (string pattern, string replacement, string string)

Функция аналогична функции ereg_replace, за исключением того, что она является нечувствительной к регистру.

split()
array split (string pattern, string string [, int limit])

Эта функция возвращает массив строк, которые представляют собой подстроки строки string, образованные в результате разделения строки string на подстроки в соответствии с регулярным выражением pattern. Если указан необязательный параметр limit, то в возвращаемом массиве будет не больше limit элементов, последний из которых содержит неразделенную часть строки.

Эта функция полезна при разделении дат, доменных имен и т.д.

К примеру:

<?
$url = "www.softtime.ru";
$array = split ("\.", $url);
foreach($array as $index => $val)
{
echo("$index -> $val <br />");
}
?>

Результат:

0 -> www
1 -> softtime
2 -> ru

То же самое можно проделать с датой:

<?
$date = "10-12-2003";
$array = split ("-", $date);
foreach($array as $index => $val)
{
echo("$index -> $val <br />");
}
?>

Результат:

0 -> 10
1 -> 12
2 -> 2003

spliti()
array spliti (string pattern, string string [, int limit])

Эта функция аналогична функции split, за исключением того, что является нечувствительной к регистру.

12 Perl-совместимые регулярные выражения



PHP поддерживает ряд функций для работы с Perl-совместимыми регулярными выражениями (PCRE - Perl Compatible Regular Expression). Такие выражения заключаются в ограничители, в качестве которых, как правило, используется прямой слеш:

/mail/

Это выражение соответствует строке, содержащей слово "mail".

За ограничителями могут следовать модификаторы, уточняющие регулярное выражение. Наиболее часто используют следующие модификаторы:

i (Игнорировать регистр при поиске соответствия. Т. е. выражение "/mail/i" будет соответствовать как строке "MAIL", так и строке "mail".);
x (Игнорировать пробельные символы).
Для PCRE-выражений характерно применение общих типов символов, которые аналогичны классам символов для регулярных выражений в стиле POSIX. Наиболее часто встречающиеся общие типы символов приведены ниже.

\d - соответствие десятичной цифре
\D - соответствие любому символу, за исключением десятичных цифр
\s - соответствие пробельным символам
\S - соответствие любым символам, кроме пробельных
\h - наличие границы слова
\B - отсутствие границы слова
\Z - конец строки или символ перевода конца строки
\A - начало строки
Теперь рассмотрим основные функции, которые есть в PHP для работы с PCRE-выражениями.

preg_match()
int preg_match (string pattern, string subject [, array matches])

Эта функция ищет в строке subject соответствие регулярному выражению pattern. Если задан необязательный параметр matches, то результаты поиска помещаются в массив.

Приведем несколько примеров.

<?
$str = "PHP один из лучших языков программирования для Web";
if (preg_match ("/php/i", $str))
{
echo("Соответствие найдено");
}
else
{
echo("Соответствие не найдено");
}
?>

Результат:

Соответствие найдено

<?
$str = "PHP один из лучших языков программирования для Web";
if (preg_match ("/\bweb\b/i", $str))
{
echo("Соответствие найдено");
}
else
{
echo("Соответствие не найдено");
}
?>

Результат:

Соответствие найдено

<?
// получаем www-адрес (имя хоста) из url
$url = "http://www.php.net/download.html";
preg_match("/^(http:\/\/)?([^\/]+)/i", $url, $matches);
$host = $matches[2];
echo("www-адрес: $host");
echo("<br>");
// получаем последние два сегмента имени хоста (доменное имя)
preg_match("/[^\.\/]+\.[^\.\/]+$/", $host, $matches);
echo "доменное имя: {$matches[0]}\n";
?>

Результат:

www-адрес: www.php.net
доменное имя: php.net

preg_replace()
mixed preg_replace (mixed pattern, mixed replacement, mixed subject
[,int limit])

Эта функция ищет в строке subject соответствия регулярному выражению pattern, и заменяет их на replacement. Необязательного параметр limit задает число соответствий, которые надо заменить. Если этот параметр не указан, или равен -1, то заменяются все найденные соответствия.

<?
$str = "May 15, 2003";
$pattern = "/(\w+) (\d+), (\d+)/i";
$replacement = "1 \${1} \$3";
print preg_replace($pattern, $replacement, $str);
?>

Результат:

1 May 2003

А вот как можно написать функцию, которая будет практически полным аналогом функции htmlspecialchars.

<?
function my_htmlspecialchats($document)
{
$search = array ("']*?>.*?'si",
"'<[\/\!]*?[^<>]*?>'si",
"'([\r\n])[\s]+'",
"'&(quot|#34);'i",
"'&(amp|#38);'i",
"'&(lt|#60);'i",
"'&(gt|#62);'i",
"'&(nbsp|#160);'i",
"'&(iexcl|#161);'i",
"'&(cent|#162);'i",
"'&(pound|#163);'i",
"'&(copy|#169);'i",
"'&#(\d+);'e");
$replace = array ("",
"",
"\\1",
"\"",
"&",
"<",
">",
" ",
chr(161),
chr(162),
chr(163),
chr(169),
"chr(\\1)");
$text = preg_replace ($search, $replace, $document);
return $text;
}
$doc = "alert;"; // напишем java-скрипт
my_htmlspecialchats($doc); // выводит "alert;"
echo($doc);
?>


[d_DxB