Regulární výrazy
Práce s daty, 23. února 2023
Co je to regulární výraz (RE, regexp)?
• Řetězec znaků reprezentující „vyhledávací masku“ v textech
• Kombinuje běžné znaky a zástupné znaky (metaznaky)
• Písmena, číslice (a další) jsou běžné znaky
• Tečka je metaznak reprezentujícíprávě jeden libovolný znak
• B.k je RE odpovídající slovům Bok, Bek, Brk, B7k, B#k, …
„Unix bez regulárních výrazů je jako sex bez partnera/partnerky. Dá se
to používat, ale člověk o cosi zásadního přichází. Znalost regulárních
výrazů vám dá do rukou mimořádně silný nástroj pro práci s textem.“
• Zdroj: https://www.root.cz/serialy/regularni-vyrazy/
Kde se regulární výrazy používají
• Validace formulářů: Kontrola správnosti vstupních údajů, jako je e-mailová
adresa, telefonní číslo, datum atd.
• Textové analytiky: Vyhledávání a extrakce informací z textových dat, jako
jsou např. webové adresy, e-mailové adresy, telefonní čísla atd.
• Textové úpravy: Úprava formátování textu, např. odstranění duplicitních
řádků nebo bílých znaků.
• Sémantický parsing: Rozpoznávání a analýza složených výrazů, jako jsou
např. časové značky, čísla, jména či jiné identifikátory atd.
• Automatický překlad: Náhrada textových řetězců pomocí regulárních
výrazů.
• Logování:Analyzování logů a vyhledávání specifickýchinformací.
• Zpracování dat: Filtrace a úprava dat pomocí regulárních výrazů.
• Zabezpečení: Kontrola nebezpečných vstupů, jako jsou např. SQL injection
nebo XSS útoky.
Varianty regulárních výrazů
• Standard IEEE Posix
• Basic Regular Expressions (BRE)
• Extended Regular Expressions (ERE)
• Perl Compatible Regular Expressions (PCRE)
• Vychází z implementace v programovacím jazyce Perl
• Stal se de-facto standardem v dalších jazycích a systémech
• Rozšíření
• Podpora národních abeced – Unicode
• Kondicionály (if – then – else)
• Vnořené modifikátory, komentáře, pojmenované skupiny a další…
Zástupné znaky v RE
• . = libovolný znak
• \d = číslice (arabská desítková, tj. v rozsahu 0–9)
• \w = znak „slova“ (číslice, písmena z ASCII a podtržítko)
• \s = bílé či neviditelné znaky (mezera, tabulátor, konec řádku)
• \D, \W, \S = negace (cokoliv vyjma) \d, \w, \s
• ^ = začátek řetězce (řádku)
• $ = konec řetězce (řádku)
• \b = hranice slova
• hranice jsou „logické“ indikátory, samy o sobě neobsahují žádný znak
Další speciální znaky v RE
• \n = nový řádek (ve Windows je nový řádek = \n\r)
• \t = tabelátor
• \ = znak za zpětným lomítkem nebude interpretován jako metaznak
• \. = tečka
• \^ = stříška
• \$ = dolar
• \\ = zpětné lomítko
• | = alterace (logická spojka nebo)
• ( ) = seskupení znaků
Výčty a opakování v RE
• + = jedno a více opakování
• * = žádné a více opakování
• ? = žádné nebo jedno opakování
• {m} = právě m opakování
• {m,n} = minimálně m opakování, maximálně n opakování
• {m,} = minimálně m opakování, maximálně neomezeno
• [ ] = výčet znaků, např. [x-z], [adfr]
• [^ ] = negace výčtu znaků
Cvičení I
Popište, jakým řetězcům odpovídají následující RE:
1. .*
2. [abc]
3. ISSN \d{4}-\d{4}
4. ^$
5. \baby\b
6. (ko)+dák
7. ^[^\t]+\t
Cvičení I – řešení
Popište, jakým řetězcům odpovídají následující RE:
1. .* – jakýkoliv řetězec, včetně prázdného
2. [abc] – písmeno a, b nebo c
3. ISSN \d{4}-\d{4} – např. ISSN 1578-0026
4. ^$ – výhradně prázdný řetězec
5. \baby\b – slovo „aby“ (nikoliv však „baby“, „abychom“ apod.)
6. (ko)+dák – kodák, kokodák, kokokodák, kokokokodák atd.
7. ^[^\t]+\t – cokoliv od začátku po první tabelátor
Cvičení II
Zapište RE, které budou validovat následující vstupy
1. Jméno Příjmení (bez diakritiky, dvě slova oddělená mezerou)
2. Internetová doména (www.econ.muni.cz, blog.google)
3. Krevní skupina včetně Rh faktoru (A, B, AB, 0 ve variantách + a -)
4. PSČ v rámci České republiky (bez Slovenska)
5. Sudý počet znaků (nebo také lichý počet znaků)
6. Kód barvy v CSS (hexadecimální notace, např. #45af09 nebo #09f)
7. IP-adresa (0.0.0.0–255.255.255.255)
Cvičení II – řešení
Zapište RE, které budou validovat následující vstupy
1. Jméno Příjmení – [A-Z][a-z]+ [A-Z][a-z]+
2. Internetovádoména – [\w\.-]+\.\w{2,}
3. Krevní skupina včetně Rh faktoru – ([AB0]|AB)(\+|-)
4. PSČ v rámci České republiky –[1-7]\d{2} \d{2}
5. Sudý / lichý početznaků – ^(..)+$ ^.(..)*$
6. Kód barvy v CSS – #?([a-fA-F0-9]){3}(([a-fA-F0-9]){3})?
7. IP-adresa –
((25[0-5]|2[0-4]\d|[01]\d\d|\d?\d)\.){3}(25[0-5]|2[0-4]\d|[01]\d\d|\d?\d)
Cvičení (nebo) Domácí úkol (?)
Úspěšně projít první čtyři bloky procvičování RE na
https://www.umimeinformatiku.cz/regularni-vyrazy
(co denní limit dovolí)
Návody na Internetu
• Regulární výraz včetně formální definice na Wikipedii
• Základy regulárních výrazů na www.regularnivyrazy.info
• Seriál návodů od Pavla Satrapy
• Tester regulárních výrazů www.regexp.cz/
• Editory regexr.com, regex101.com, regexpal.com
• E-kniha Introducing regular expressions
• Knihovna často používaných RE: www.regexlib.com
• Tak trochu jiný tutoriál k RE: www.rexegg.com