Rss hírcsatornák:

Reguláris kifejezések referenciája röviden

A reguláris kifejezés, egy szintaktikai szabályok szerint leírt minta, amely segítségével szövegek, adatok feldolgozásakor, egyező részhalmazok kereshetőek ki – karaktereket, számokat és helyettesítő karaktereket tartalmaz. Először Unixon kezdték használni, rendkívüli hatékonyságának köszönhetően mára szinte mindenik programozási nyelvbe beépítették. A reguláris kifejezéseket a legtöbb programnyelv esetenként eltérő saját beépített függvényekkel támogatja.

Megemlítendő, a különféle szabványoknak az ASCII kódoláson kívül eső betűk mostoha kezelése. Gyakori probléma például, egy több byte-os karakter (pl.: ékezetes betű) illeszkedése a mintában, az ékezetes szavak ábécé szerinti rendezése. Hogyha a kifejezésben a karakterlánc hossza is feltétel, a számlálás byte-onként balra tolódik, így az elvárástól eltérő eredményre lehet számítani. A Perl-stílusú reguláris kifejezések képesek az UTF–8 szövegek kezelésére.

Metakarakterek (Metacharacters)

\

(escape karakter) – az utána következő metakarakterre illeszkedik pl.: "\*" csillag karakterre, "\\" visszaperjelre

.

(pont) – bármely, kivéve az új sor karakter

^

(kalap jel) – a minta kezdete

$

(dollár jel) – a minta vége

|

(pipa) – logikai elágazás, előtte vagy utána levő kifejezés

[]

(szögletes zárójel) – karakter osztály, a szögletes zárójelek közötti karakterek valamelyikeire bármilyen sorrendben illeszkedik

()

(kerek zárójel) – csoportosítás, a kerek zárójelek közötti karakterekre pontos sorrendben illeszkedik

[^ab@]

(tagadás a karakter osztályban) – bármi, kivéve a, b vagy @

[0-6]

(karakter osztály tartomány) – 0 és 6 közötti számokra illeszkedik

[a-fA-F]

(karakter osztály tartomány) – ASCII kis és nagy betűkre illeszkedik a-tól f-ig

Ismétlések (Quantifiers)

*

(csillag) – a minta 0 vagy többszöri ismétlése

+

(plusz) – a minta 1 vagy többszöri ismétlése

?

(kérdőjel) – a minta 0 vagy egyszeri ismétlése

{3}

(intervallum) – a mintában pontosan három karakter lehet

{3,}

(intervallum) – a mintában legalább három vagy több karakter lehet

{,3}

(intervallum) – a mintában legfeljebb három karakter lehet

{1,4}

(intervallum) – a mintában legalább egy, legfeljebb négy karakter lehet

Ismétlések lomhán (Quantifiers not greedily)

*?

(csillag és kérdőjel) – a minta 0 vagy többszöri ismétlése (lomhán)

+?

(plusz és kérdőjel) – a minta 1 vagy többszöri ismétlése (lomhán)

??

(kérdőjel és kérdőjel) – a minta 0 vagy egyszeri ismétlése (lomhán)

{3}?

(intervallum és kérdőjel) – a mintában pontosan három karakter lehet (lomhán)

{3,}?

(intervallum és kérdőjel) – a mintában legalább három vagy több karakter lehet (lomhán)

{,3}?

(intervallum és kérdőjel) – a mintában legfeljebb három karakter lehet (lomhán)

{1,4}?

(intervallum és kérdőjel) – a mintában legalább egy, legfeljebb négy karakter lehet (lomhán)

Ismétlések visszatérés nélkül (Quantifiers give nothing back)

*+

(csillag és plusz) – a minta 0 vagy többszöri ismétlése (visszatérés nélkül)

++

(plusz és plusz) – a minta 1 vagy többszöri ismétlése (visszatérés nélkül)

?+

(kérdőjel és plusz) – a minta 0 vagy egyszeri ismétlése (visszatérés nélkül)

{3}+

(intervallum és plusz) – a mintában pontosan három karakter lehet (visszatérés nélkül)

{3,}+

(intervallum és plusz) – a mintában legalább három vagy több karakter lehet (visszatérés nélkül)

{,3}+

(intervallum és plusz) – a mintában legfeljebb három karakter lehet (visszatérés nélkül

{1,4}+

(intervallum és plusz) – a mintában legalább egy, legfeljebb négy karakter lehet (visszatérés nélkül)

Escape-szekvenciák (Escape sequences)

\t

(HT, TAB) – tabulátor

\v

(VT, TAB) – vertikális tabulátor

\n

(LF, NL) – új sor

\r

(CR) – kocsi vissza

\a

(BEL) – csengő

\f

(FF) – lapdobás

\e

(ESC) – escape

Általános karakter osztályok (Generic Character Classes)

\d

decimális szám

\D

nem decimális szám, minden más

\s

szóköz karakter

\S

bármely más karakter a szóközön kívül

\w

bármely szó

\W

bármi, ami nem szó

Módosítók (Modifiers)

m

(PCRE_MULTILINE) – a "^" és "$" közötti több soros karakterlánc kezelése, belső sorokra illeszkedik

i

(PCRE_CASELESS) – kis és nagy betű érzékenység kikapcsolása

s

(PCRE_DOTALL) – csak egy sorra illeszkedik

x

(PCRE_EXTENDED) – szóközök és megjegyzések figyelmen kívül hagyása a mintában

e

a preg_replace() csereláncát PHP-kódként kezeli

g

minden előfordulásra illeszkedik

u

(PCRE_UTF8) – a mintát UTF–8 kódolású szövegnek tekinti

A

csak a karakterlánc elején illeszkedik (PHP)

E

csak a karakterlánc végén illeszkedik (PHP)

U

a legkevesebb karaktert tartalmazó találatokat adja vissza (PHP)

Feltételek (Assertions)

\b

szóhatár

\B

bármi, kivéve szóhatár

\A

csak a karakterlánc elején egyezik

\Z

csak a karakterlánc vagy újsor végén egyezik

\z

csak a karakterlánc végén egyezik

Másodlagos feltételek (Subassertions)

(?:bab)

(nem emlékező zárójel) – illeszkedik a bab-ra, de nem emlékezik az illesztésre

bab(?=szem)

illeszkedik a bab-ra, ha azt a szem követi

bab(?!szem)

illeszkedik a bab-ra, ha azt nem a szem követi

(?#ez itt egy megjegyzés)

(megjegyzés)

(?>\d+)bab

teljesítmény növelés, ha a bab hiányzik

(?(3)bab|szem)jankó

illeszkedik a bab-ra, ha a harmadik rész egyezik, különben a szem-re

Posix, Unicode, Perl, ASCII karakter osztályok

Posix	Unicode	Perl	ASCII
betűk és számok
[:alnum:]	\p{IsAlnum}		[a-zA-Z0-9]
betűk
[:alpha:]	\p{IsAlpha}		[a-zA-Z]
0 és 127 kódok közötti karakterek
[:ascii:]	\p{IsASCII}
szóköz vagy tabulátor
[:blank:]			[ \t]
ellenőrző karakterek
[:cntrl:]	\p{IsCntrl}		[\x00-\x1F\x7F]
decimális számok
[:digit:]	\p{IsDigit}	\d	[0-9]
nem decimális számok
		\D	[^0-9]
nyomtatható karakterek, kivéve szóköz
[:graph:]	\p{IsGraph}		[\x21-\x7E]
nyomtatható karakterek és szóköz
[:print:]	\p{IsPrint}		[\x20-\x7E]
nyomtatható karakterek, kivéve betűk és számok
[:punct:]	\p{IsPunct}		[-!"#$%&'()*+,./:;<=>?@[\\\]^_`{|}~]
szóköz
[:space:]	\p{IsSpace}	\s	[ \t\r\n\v\f]
szóköz (perl)
	\p{IsSpacePerl}	\s
nem szóköz
		\S	[^\s]
szó
[:word:]	\p{IsWord}	\w	[A-Za-z0-9_]
nem szó
		\W	[^\w]
hexadecimális szám
[:xdigit:]	\p{IsXDigit}		[A-Fa-f0-9]
kisbetűk
[:lower:]	\p{IsLower}		[a-z]
nagybetűk
[:upper:]	\p{IsUpper}		[A-Z]

PHP reguláris kifejezések függvényei

A PHP a reguláris kifejezések két fajtáját támogatja, a POSIX- és a Perl-kompatibiliseket.

POSIX függvények

A PHP az 5.3.0 verzió bevezetésével a POSIX függvényekre „Deprecated: Function ereg() is deprecated…” elavultságot jelző hibaüzenetet ad! A kódot Perl-kompatibilissá kell konvertálni.

ereg()

egyezés vizsgálata

eregi()

egyezés vizsgálata (kis és nagy betű érzéketlen)

ereg_replace()

az egyezést a megadott szóra cseréli

eregi_replace()

az egyezést a megadott szóra cseréli (kis és nagy betű érzéketlen)

split()

az egyezés alapján a karakterláncot tömb elemekre darabolja

spliti()

az egyezés alapján a karakterláncot tömb elemekre darabolja (kis és nagy betű érzéketlen)

Perl-kompatibilis függvények

preg_filter

keresés és csere

preg_match()

egyezés vizsgálata

preg_match_all()

egyezés vizsgálata globálisan (az első egyezés után folytatja a keresést)

preg_replace()

az egyezést a megadott szóra cseréli

preg_replace_callback()

az egyezést a megadott függvényt meghívásával cseréli

preg_split()

az egyezés alapján a karakterláncot tömb elemekre darabolja

preg_quote()

az egyezés metakaraktereit literálissá változtatja

preg_grep()

visszaadja azokat a tömbelemeket, amelyek illeszkednek a mintára

Egyéb internetes források

• Perl-stílusú reguláris kifejezések
• A PHP Posix-stílusú regexp függvényei
• A PHP Perl-stílusú regexp függvényei
• A PHP több bájtos szövegkezelése

Kapcsolódó tartalom:

Az InterMatrix.hu programozása egyedi, saját fejlesztés © Minden jog fenntartva 2008- 2012 .